Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

बच्चों में उच्च घनत्व ईईजी रिकॉर्डिंग के cortical स्रोत विश्लेषण

Published: June 30, 2014 doi: 10.3791/51705
Automatic Translation
1, 2, 1
1Cognitive Neuroscience & Neuropsychiatry Section, UCL Institute of Child Health, 2Academic Division of Neonatology, Institute for Women's Health, University College London

Summary

हाल के वर्षों में, संज्ञानात्मक तंत्रिका विज्ञान के प्रयोगों के लिए बिजली की गतिविधि मापा खोपड़ी के cortical सूत्रों का आकलन में बढ़ती रुचि रही है. यह लेख लंदन बेबी लैब में 2 साल की उम्र से उच्च घनत्व ईईजी अधिग्रहण कर लिया है और कैसे रिकॉर्डिंग बच्चों में cortical स्रोत आकलन के लिए कार्रवाई कर रहे हैं कैसे करें.

Abstract

ईईजी पारंपरिक रूप से उच्च लौकिक और कम स्थानिक संकल्प के साथ एक न्यूरोइमेजिंग तकनीक के रूप में वर्णन किया गया है. Biophysical मॉडलिंग और सिग्नल प्रोसेसिंग में हाल के अग्रिमों यह संभव है इस बाधा 1 काबू पाने के लिए उच्च स्थानिक संकल्प प्रदान कि संरचनात्मक एमआरआई जैसे अन्य इमेजिंग तौर तरीकों से जानकारी का फायदा उठाने के लिए करते हैं. इस लौकिक में उच्च संकल्प के साथ ही स्थानिक डोमेन की आवश्यकता है कि जांच के लिए विशेष रूप से उपयोगी है. इसके अलावा, के कारण आसान आवेदन और ईईजी रिकॉर्डिंग की कम लागत के लिए, ईईजी ऐसे कार्यात्मक एमआरआई बर्दाश्त नहीं है कि युवा बच्चों के रूप में आबादी के साथ काम अच्छी तरह से स्कैन करता है जब अक्सर पसंद की विधि है. हालांकि, तंत्रिका substrates संरचनात्मक एमआरआई से, संरचनात्मक जानकारी शामिल कर रहे हैं जो जांच के क्रम में अब भी जरूरत है. अधिकांश ईईजी विश्लेषण संकुल वयस्क शरीर रचना विज्ञान पर आधारित हैं कि मानक सिर मॉडलों के साथ काम करते हैं. बच्चों के लिए प्रयोग किया जाता है जब इन मॉडलों की शुद्धता, 2 सीमित है क्योंकि सहMPOSITION और सिर के स्थानिक विन्यास विकास 3 में नाटकीय रूप से परिवर्तन ऊतकों.

वर्तमान पत्र में, हम उच्च घनत्व ईईजी के cortical जनरेटर के पुनर्निर्माण के लिए व्यक्तिगत संरचनात्मक एमआरआई स्कैन या उम्र विशिष्ट सिर मॉडल पर आधारित सिर मॉडल के उपयोग में हमारे हाल ही में काम के एक सिंहावलोकन प्रदान करते हैं. यह लेख ईईजी रिकॉर्डिंग संसाधित, और प्रयोगशाला की स्थापना, काम डिजाइन, ईईजी preprocessing, एमआरआई प्रसंस्करण, और ईईजी चैनल स्तर और स्रोत विश्लेषण सहित लंदन बेबी लैब में बाल चिकित्सा आबादी के साथ विश्लेषण, अधिग्रहण कर रहे हैं कैसे करें.

Introduction

राष्ट्रपति बराक ओबामा के स्वास्थ्य और अर्थव्यवस्था 3 (http://www.whitehouse.gov/share/brain-initiative) के लिए उच्च महत्व के साथ वैज्ञानिक खोज के अगले सीमा के रूप में मानव मस्तिष्क का वर्णन किया. हालांकि, प्राकृतिक विज्ञान में किसी भी अन्य क्षेत्र की तरह, तंत्रिका विज्ञान की प्रगति के लिए तरीके और विश्लेषण तकनीक के क्षेत्र में प्रगति पर निर्भर करता है. मानव में मस्तिष्क समारोह के बारे में अध्ययन में दो आमतौर पर इस्तेमाल गैर इनवेसिव उपकरण चुंबकीय अनुनाद इमेजिंग (एमआरआई) और (ईईजी) कर रहे हैं. ये उपकरण विभिन्न भौतिक गुणों का दोहन और अद्वितीय फायदे और नुकसान के साथ मस्तिष्क समारोह में विभिन्न अंतर्दृष्टि प्रदान करते हैं. एमआरआई जीवित ऊतकों की छवियों को प्राप्त करने के लिए चुंबकीय क्षेत्र के भीतर पानी के अणुओं के चुंबकीय गुण का उपयोग करता है. विषय उच्च क्षेत्र ताकत के साथ एक चुंबक में रखा जाना चाहिए. प्रतिभागी का आंदोलन इस प्रक्रिया के दौरान प्रतिबंधित है और प्रतिभागी चुंबकीय में तेजी से बदलाव के कारण शोर बर्दाश्त करना पड़ता हैक्षेत्र. संरचनात्मक छवियों के अलावा, एमआरआई भी मस्तिष्क समारोह (fMRI) की जांच के लिए रक्त oxygenation में बदलाव को मापने की संभावना प्रदान करता है. संक्षेप में, एमआरआई आधुनिक उच्च क्षेत्रों स्कैनर और अनुकूलित मापदंडों 4 के साथ 0.5 मिमी 3 के अपेक्षाकृत उच्च स्थानिक संकल्प प्रदान करता है. इसके विपरीत, fMRI का अस्थायी समाधान ही परोक्ष रूप से तंत्रिका गतिविधि 5,6 के उच्च अस्थायी गतिशीलता को दर्शाता है जो बोल्ड प्रतिक्रिया की धीमी कैनेटीक्स तक सीमित है.

दूसरी ओर, ईईजी सिर पर रखा इलेक्ट्रोड के माध्यम से न्यूरॉन्स की गतिविधियों की वजह से बिजली की गतिविधि में परिवर्तन के उपाय. ईईजी प्रौद्योगिकी के क्षेत्र में हाल के अग्रिमों अल्पकालिक या दीर्घकालिक और स्थिर है और साथ ही चल रिकॉर्डिंग के लिए सेंसर का त्वरित और आसान आवेदन की अनुमति. ईईजी कम प्रतिबंधक है, यह भी अच्छी तरह से जैसे एमआरआई वातावरण बर्दाश्त नहीं करते कि कुछ प्रतिभागी आबादी के लिए पसंद की विधि है बाल चिकित्सा और कुछबुढ़ापे और मनोरोग आबादी. ईईजी के गुण एमआरआई के उन लोगों के लिए एक व्युत्क्रम पैटर्न दिखा: अस्थायी समाधान millisecond परिशुद्धता के साथ बहुत अधिक है, लेकिन स्थानिक संकल्प सीमित है. विद्युत धाराओं खोपड़ी की सतह पर उनके जनरेटर और ईईजी इलेक्ट्रोड के बीच विभिन्न ऊतकों के माध्यम से गुजरती हैं. यह मिश्रण और मात्रा चालन प्रभाव के रूप में जाना जाता है स्रोत गतिविधि के स्थानिक smearing की ओर जाता है. इसलिए, खोपड़ी की सतह पर इलेक्ट्रोड से मापा गतिविधि सिर 1,7 पर इलेक्ट्रोड की स्थिति को दूर किया जा सकता है कि कई स्रोतों से गतिविधि को दर्शाता है.

हाल के वर्षों में काफी काम उनके संबंधित ताकत का लाभ उठाने के क्रम में एमआरआई और ईईजी के विलय के लिए समर्पित किया गया है. काम की एक पंक्ति कार्यात्मक अध्ययन में ईईजी और एमआरआई के एक साथ अधिग्रहण के लिए समर्पित है. एक और दृष्टिकोण मात्रा सी के खाते में लेने के लिए संरचनात्मक एमआरआई द्वारा प्रदान स्थानिक जानकारी का उपयोग करने के लिए हैonduction biophysical मॉडलिंग के माध्यम से प्रभाव. ईईजी रिकॉर्डिंग के स्रोत पुनर्निर्माण के लिए संरचनात्मक जानकारी का उपयोग एक बाल चिकित्सा आबादी शामिल अध्ययन के लिए विशेष रूप से उपयोगी है. मस्तिष्क समारोह के विकास की जांच जटिल संज्ञानात्मक कौशल सरल व्यापारियों 8 के शीर्ष पर बना रहे हैं कि कैसे को समझने के लिए केंद्रीय है.

इन जांच व्यवहार प्रदर्शन में परिवर्तन के साथ सहसंबंधी कि तंत्रिका substrates और प्रतिक्रिया गुणों में परिवर्तन को उजागर करने के लिए मदद करते हैं. हालांकि, विकास के दौरान मस्तिष्क समारोह और अनुभूति की जांच भी विशिष्ट चुनौतियों poses. विशेष रूप से, कार्यात्मक एमआरआई अध्ययन के लिए अवसर छोटे बच्चों और शिशुओं सो या आंदोलन कलाकृतियों और भागीदार भलाई पर नकारात्मक प्रभाव के बिना एमआरआई डेटा प्राप्त करने के लिए बेहोश करने की है या तो के रूप में सीमित है. इसके अलावा, ईईजी अनुसंधान प्रतिभागियों की भर्ती को आसान बना देता है, जो माता - पिता द्वारा कम जोखिम भरा है और आक्रामक रूप में माना जाता है. टीherefore, ईईजी युवा बच्चों में मस्तिष्क समारोह के कई जांच के लिए पसंद की विधि है. ईईजी सिस्टम में भी प्रक्रिया अग्रिम मिनट के भीतर 128 या अधिक चैनलों के साथ उच्च घनत्व इलेक्ट्रोड सरणियों का आवेदन देते हैं. आवेदन और आराम पहनने की आसानी भी कम उम्र के शिशुओं में ईईजी रिकॉर्डिंग की अनुमति के लिए पर्याप्त हैं. हालांकि, कई बार शोधकर्ताओं ने न केवल विशेष उत्तेजनाओं को प्रतिक्रियाओं के अस्थायी गतिशीलता में रुचि रखते हैं, लेकिन यह भी प्रतिक्रियाओं मध्यस्थता कि तंत्रिका substrates तुलना करना चाहते हैं.

विभिन्न आयु समूहों की तुलना चैनल स्तर ईआरपी विश्लेषण में एक प्रचलित धारणा ही तंत्रिका substrates कि प्रतिक्रिया है, लेकिन समय या प्रतिक्रिया आयाम उम्र 9 भर में बदलता है. इसी प्रकार की खोपड़ी स्थलाकृति अक्सर समान अंतर्निहित तंत्रिका गतिविधि का एक संकेतक के रूप में प्रयोग किया जाता है. हालांकि, कई अलग स्रोत विन्यास समान खोपड़ी topographies 10 हो सकती है. स्रोत आकलन को लागू करके, इस uncertainty कम और मात्रा निर्धारित किया जा सकता है. टिप्पणियों की स्वतंत्रता मस्तिष्क समारोह का नेटवर्क खातों के लिए महत्वपूर्ण है: सूत्रों मिश्रित कर रहे हैं, तो सहसंबंध उच्च स्थानीय कनेक्टिविटी के प्रति पक्षपाती किया जाएगा. स्रोत पुनर्निर्माण इस पूर्वाग्रह 11 कम करने के लिए लागू किया जा सकता है. वैकल्पिक रूप से, समय और चरण में मतभेद कनेक्टिविटी विश्लेषण के लिए इस्तेमाल किया जा सकता है, लेकिन इन गणितीय मॉडल गैर नकली डेटा 12 में मूल्यांकन करने के लिए मेहनत कर रहे हैं कि मान्यताओं की आवश्यकता होती है. संक्षेप में, स्रोत आकलन शरीर रचना और ऊतकों की biophysical गुणों के बारे में ज्ञान के आधार पर चैनल स्तर ईईजी और ईआरपी विश्लेषण करने के लिए अतिरिक्त जानकारी प्रदान करता है.

विभिन्न एल्गोरिदम उलटा समस्या का समाधान खोजने के लिए तैयार किया गया है. पैरामीट्रिक और गैर पैरामीट्रिक 13: इन एल्गोरिदम दो श्रेणियों में मोटे तौर पर गिर जाते हैं. पैरामीट्रिक मॉडल एक या स्थान, अभिविन्यास और ताकत में भिन्न हो सकते हैं कि कई द्विध्रुव मान. इसके विपरीत, गैर पैरामीट्रिक मॉडल contaiNA बड़ी तय स्थान और अभिविन्यास के साथ द्विध्रुव की संख्या. इन मॉडलों में, खोपड़ी विद्युत गतिविधि तय द्विध्रुव 10,13,14 में activations के संयोजन के रूप में समझाया है. गैर पैरामीट्रिक, वितरित स्रोत मॉडल विभिन्न मीडिया में शरीर रचना और चालकता के बारे में ज्ञान के आधार पर किया जा सकता है. सीमा तत्व मॉडल मस्तिष्क, Cerebro रीढ़ की हड्डी में तरल पदार्थ, और खोपड़ी के लिए विभिन्न गोले के साथ सिर के मुख्य ऊतकों के लिए चालकता मूल्यों को शामिल. इस चालकता प्रत्येक डिब्बे के भीतर ज्यादातर स्थिर है, लेकिन है कि चिह्नित परिवर्तन अलग डिब्बों की सीमा पर होती है कि इस धारणा पर आधारित है. चालकता मूल्यों प्रत्येक voxel 15 को सौंपा जा सकता है, ताकि परिमित तत्व मॉडल ग्रे और सफेद पदार्थ में एमआर स्कैन के आगे विभाजन पर आधारित हैं.

व्यावहारिक दृष्टि से, गैर पैरामीट्रिक मॉडल, जटिल संज्ञानात्मक कार्यों में स्रोत पुनर्निर्माण के लिए विशेष रूप से उपयोगी होते हैं शामिल क्षेत्रों की संख्या जो हो सकता है में10 ज्ञात नहीं हो. अधिक सटीक परिमित तत्व मॉडल comparably उच्च कम्प्यूटेशनल मांगों मुद्रा शायद क्योंकि सीमा तत्व मॉडल सबसे व्यापक रूप से, वर्तमान साहित्य में उपयोग किया जाता है. FEMs व्यक्ति एमआरआई स्कैन के आधार पर किया जाना चाहिए ताकि आगे, ग्रे और सफेद मामले में काफी अंतर व्यक्तिगत परिवर्तनशीलता है.

गैर पैरामीट्रिक मॉडल आगे मॉडल की भविष्यवाणी करने के लिए खोपड़ी मापा गतिविधि मिलान के लिए एक दूसरे चरण की आवश्यकता होती है. फिर, अलग फायदे और कमियों के साथ अलग अलग दृष्टिकोण (एक सिंहावलोकन के लिए मिशेल एट अल. 2004 देखें) साहित्य में चर्चा की गई है. सबसे व्यापक रूप से इस्तेमाल किया एल्गोरिदम सबसे कम समग्र तीव्रता 16 के साथ आगे मॉडल में एक मौजूदा वितरण के लिए खोपड़ी मापा गतिविधि से मेल खाता है, जो न्यूनतम मानदंड आकलन (MNE) पर आधारित हैं. MNE कमजोर और सतही स्रोतों की ओर झुका हुआ है. गहराई भारित MNE एल्गोरिदम भार शुरू करने से सतह पूर्वाग्रह को कम करने की कोशिशगणितीय मान्यताओं से 10 के आधार पर matrices. व्यापक रूप से इस्तेमाल Loreta दृष्टिकोण भी भारित MNE पर आधारित है, लेकिन इसके साथ ही चिकनी समाधान 17,18 की ओर जाता है जो सूत्रों के Laplacian, कम से कम है. Loreta अनुकरण पढ़ाई 19,20 में एकल स्रोतों के लिए सबसे अच्छा प्रदर्शन करने के लिए पाया गया है. हालांकि, Loreta समाधान के समरेखण से अधिक हो सकता है. सूत्रों अनजान हैं या कई स्रोतों से 13, 16 से उपस्थित होने की संभावना है जब गहराई भारित MNE बेहतर है. विभिन्न मॉडल मान्यताओं के प्रभाव का मूल्यांकन करने के लिए विभिन्न एल्गोरिदम के परिणामों की तुलना की सिफारिश की है.

संक्षेप में, मॉडलिंग तरीकों के माध्यम से स्रोत पुनर्निर्माण हाल ही में जब तक बच्चों के लिए सीमित किया गया है. सबसे ईईजी विश्लेषण सॉफ्टवेयर काफी हद तक बच्चों 2,8 में स्रोत समाधान की सटीकता की सीमा है कि वयस्क शरीर रचना विज्ञान पर आधारित सिर मॉडल पर निर्भर करता है क्योंकि यह है. कम्प्यूटेशनल शक्ति और प्रावधान के लिए सस्ती पहुँचस्रोत पुनर्निर्माण के लिए उपयोगकर्ता के अनुकूल सॉफ्टवेयर यह संभव है कि इन सीमाओं को पार करने के लिए बनाते हैं. ईईजी स्रोत आकलन लागू करने से अकेले चैनल स्तर टिप्पणियों पर आधारित विश्लेषण पर दो महत्वपूर्ण लाभ प्रदान करता है: स्थानिक संकल्प और टिप्पणियों की स्वतंत्रता में सुधार हुआ.

स्रोत आकलन कुछ मामलों में जानकारीपूर्ण नहीं हो सकता: सिर की अच्छी कवरेज के सूत्रों भेद करने के लिए आवश्यक है. 128 या अधिक इलेक्ट्रोड के साथ उच्च घनत्व सिस्टम 10,15 सिफारिश कर रहे हैं; एक sparser कवरेज अधिक व्यापक प्रसार स्रोत सक्रियण या झूठी नकारात्मक परिणाम 10 के प्रमुख स्थानिक फिल्टर के रूप में कार्य करेगा. इसके अलावा, इस आलेख में वर्णित विधि पर आधारित स्रोत पुनर्निर्माण केवल cortical जनरेटर के लिए सूचित किया गया है. इसलिए, यह subcortical substrates या cortical subcortical बातचीत के बारे में परीक्षण परिकल्पना के लिए कम उपयुक्त है. अन्त में, स्रोत विश्लेषण, cortical substrates के बारे में विस्तृत पूर्व परिकल्पना पर आधारित होना चाहिएखाते में अन्य इमेजिंग तौर तरीकों से मौजूदा साहित्य ले रही है. स्थानिक फ़िल्टरिंग तकनीक भी खोपड़ी स्तर पर स्थानिक मिश्रण को कम करने से ईईजी संकेत के स्थानिक संकल्प में सुधार करने के लिए इस्तेमाल किया जा सकता है. सिर मॉडलिंग बिना मात्रा चालन प्रभाव के प्रभाव को कम करने के लिए वैकल्पिक तरीकों का इस्तेमाल किया जाता जैसे, Laplacian छानने 21 या वर्तमान स्रोत घनत्व विश्लेषण 22. मात्रा चालन प्रभाव नहीं ही कर रहे करीब स्थानिक निकटता 1 में सेंसर के लिए प्रतिबंधित के रूप में हालांकि, इन तरीकों तंत्रिका जनरेटर के बारे में अधिक जानकारी प्रदान नहीं करते हैं.

निम्न अनुभाग में, लेख मस्तिष्क और उम्र के 2 साल से बच्चों में संज्ञानात्मक समारोह की जांच के लिए प्रयोगों लंदन बेबी लैब में तैयार कर रहे हैं कैसे करें. अगला, बच्चों के साथ उच्च घनत्व कम प्रतिबाधा सिस्टम के साथ ईईजी डाटा अधिग्रहण पर चर्चा की है. फिर, चैनल स्तर पर ईईजी preprocessing और विश्लेषण प्रस्तुत किया है. Lastlवाई, लेख cortical स्रोत पुनर्निर्माण और स्रोत स्तर संकेतों के विश्लेषण के लिए संरचनात्मक एमआरआई डेटा के प्रसंस्करण पर केंद्रित है.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

बच्चों के लिए 1. डिजाइनिंग ईईजी और घटना से संबंधित संभावित प्रयोगों

नोट: एक सरल प्रयोग युवा बच्चों में चेहरा प्रसंस्करण की जांच के लिए इस्तेमाल किया जा सकता है कि इस अनुच्छेद के प्रयोजनों के लिए डिजाइन किया गया था. निम्न अनुभाग प्रयोग का वर्णन और MATLAB R2012b और Psychtoolbox V3.0.11 23,24 का उपयोग कर इसे लागू करने के लिए समझाना होगा. भावुक चेहरे की अभिव्यक्ति 25 की NimStim सेट से ली गई तस्वीरों इस उदाहरण के लिए इस्तेमाल किया गया. इस प्रोत्साहन सेट अनुरोध पर अनुसंधान प्रयोजनों के लिए उपलब्ध है ( http://www.macbrain.org/resources.htm ).

  1. उत्तेजनाओं के बीच मतभेदों को कम करने के लिए पैमाने ग्रे आरजीबी चित्रों स्थानांतरण. देखें तालिका 1 ध्यान दें:. ये आदेश प्रसंस्करण उपकरण बॉक्स (छवि आवश्यकता http://www.mathworks.co.uk/products/image/ ). मुक्त विकल्प टी पाया जा सकता हैफ़ाइल विनिमय hrough ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. आदेशों की एक श्रृंखला (एक उदाहरण के लिए 1 टेबल देखें) का उपयोग कर उत्तेजना प्रस्तुति चलाता है के लिए सटीक समय के साथ प्रयोग को लागू करने के लिए प्रयोगात्मक नियंत्रण सॉफ्टवेयर का प्रयोग करें.

2. डाटा अधिग्रहण

  1. बच्चे के परीक्षण के वातावरण के साथ सहज है कि सुनिश्चित करें. छोटे बच्चों को उनके caregiver की गोद में या एक आरामदायक बच्चे की सीट में बैठने की अनुमति. बच्चे बच्चे के सिर को लागू करने से पहले सेंसर नेट देखते हैं और महसूस करते हैं. एक अतिरिक्त शुद्ध है, तो माता - पिता भी पर एक प्रयास करें, या एक गुड़िया पर एक या भरवां टेडी जगह नहीं है.
  2. बच्चे के लिए सही शुद्ध आकार का चयन करने के लिए अधिकतम सिर परिधि को मापने. एक मापने टेप का प्रयोग करें और nasion को पकड़ो. फिर अधिकतम परिधि के चारों ओर सिर के चारों ओर मापने (~ 1Inion ऊपर सेमी). नोट: मापा सिर परिधि की एक रिकार्ड है और बाद में विश्लेषण 26 के लिए इस्तेमाल सेंसर शुद्ध रखने के लिए. माता पिता के सिर भी स्थिति से बच्चों को अधिक सुविधाजनक बनाने के लिए मापा जाता है अगर यह मदद करता है.
  3. Nasion और Inion और बाएँ और दाएँ periauricular बिंदु के बीच मध्य दूरी के चौराहे पर सिर के शिखर को पहचानें. शुद्ध जब आवेदन शिखर चैनल सही ढंग से तैनात है कि यह सुनिश्चित करने के लिए एक चीन कलम के साथ इस बिंदु चिह्नित.
  4. सेंसर नेट लागू करें और कुंजी चैनलों संरचनात्मक स्थलों (nasion, Inion, शिखर और सही / छोड़ दिया mastoids) के साथ गठबंधन कर रहे हैं सुनिश्चित करें. नोट: सबसे सटीक परिणामों के लिए, सिर पर चैनलों की स्थिति डिजिटली विशेष डिजिटलीकरण उपकरण का उपयोग कर प्राप्त किया जा सकता है. संवेदक की स्थिति प्राप्त करने के लिए इच्छुक शोधकर्ताओं उचित हार्डवेयर और सॉफ्टवेयर मैनुअल का उल्लेख करना चाहिए. वैकल्पिक रूप से, शारीरिक लैन साथ इलेक्ट्रोड के मानक नियुक्ति को लगता है कि इलेक्ट्रोड नक्शेdmarks इस्तेमाल किया जा सकता है. इन मानचित्रों विश्लेषण अनुभाग में वर्णित के रूप में उपयुक्त सिर मॉडलों उम्र को विकृत किया जा सकता है.
  5. चैनलों को व्यक्तिगत रूप से सेंसर स्थिति से खोपड़ी के साथ अच्छा संपर्क है कि सुनिश्चित करना; धीरे रास्ते से बाहर बाल स्थानांतरित करने के लिए पक्ष की ओर से प्रत्येक संवेदक मोड़.
  6. चैनल लाभ और चैनल impedances उपाय. NetStation ईईजी रिकॉर्डिंग सॉफ्टवेयर में रिकॉर्डिंग शुरू हो और लाभ और प्रतिबाधा माप शुरू करने के लिए "शुरू" पर क्लिक करें. माप स्वचालित रूप से शुरू नहीं करता है, "जांचना एम्पलीफायर" और "शुद्ध impedances उपाय" बटन का उपयोग करें.
  7. लाल दिखाई देगा जो 50 kΩ से अधिक impedances साथ चैनलों के लिए रिकॉर्डिंग सॉफ्टवेयर की जाँच करें. चैनल impedances कम करने के लिए एक विंदुक के साथ अतिरिक्त इलेक्ट्रोलाइट समाधान लागू करें. आसपास के चैनलों (फ्लैट लाइन चैनल) से कम प्रतिबाधा या काफ़ी कम गतिविधि के बावजूद उच्च आवृत्ति गतिविधि चलता है कि चैनलों के लिए ईईजी प्रदर्शन की जाँच करें. ये चैनल हवलदार सकताखोपड़ी के साथ और समायोजन की आवश्यकता ई ढीला संपर्क.
  8. ईईजी की तैयारी के दौरान आराम से बच्चों को रखने के क्रम में, बच्चे toddlers के लिए साबुन के बुलबुले उड़ाने, जैसे,, संगीत सुनना एक उम्र उपयुक्त कार्टून देखने के लिए या किसी अन्य प्रयोगकर्ता का उपयोग कर उन्हें विचलित करने की अनुमति.

3. विश्लेषण

  1. पूर्वप्रक्रमण
    1. डिजीटल चैनल 27 (1 टेबल) drifts दूर करने के लिए 0.1 हर्ट्ज पर एक कट ऑफ के साथ एक उच्च मार्ग फिल्टर के साथ डेटा को फ़िल्टर.
    2. ईआरपी विश्लेषण के लिए, 30 हर्ट्ज 27 (1 टेबल) पर एक कट ऑफ के साथ एक कम पास फिल्टर लागू होते हैं.
    3. रिकॉर्डिंग के दौरान सेट ट्रिगर कोड के अनुसार निरंतर डेटा युग. सबसे प्रयोगों के लिए, ब्याज (तालिका 1) के समय अंतराल को कवर करने के लिए शुरुआत है और 600 मिसे के एक के बाद उत्तेजना अंतराल प्रोत्साहन के लिए पहले 200 मिसे के एक आधारभूत उपयोग करें.
    4. आंदोलन या झपकी कलाकृतियों को शामिल कि epochs निकालें: मार्क गआयाम अधिक से अधिक 150 एम वी चोटी एक चोटी के साथ hannels - प्रतिभागी समूह और डेटा की गुणवत्ता के आधार पर इस सीमा को समायोजित. स्थिरता के लिए, एक अध्ययन में सभी प्रतिभागियों के लिए एक ही सीमा का उपयोग करें. एक चैनल epochs की 30% से अधिक में इस सीमा से ऊपर है, तो (ये स्वीकार्य डेटा होते अगर चैनल गतिविधि, आसपास के चैनलों से interpolated किया जा सकता है) चैनल को हटा दें. चैनलों के 20% से अधिक एक युग में बुरा के रूप में चिह्नित कर रहे हैं, युग हटा दें. चैनलों के 20% से अधिक एल्गोरिथ्म द्वारा खारिज कर रहे हैं या epochs की कम से कम 50% को रखा जाता है, तो आगे के विश्लेषण (1 टेबल) से डाटासेट को हटाने पर विचार करें.
      नोट: युग और चैनल अस्वीकृति के लिए प्रतिशत थ्रेसहोल्ड हमारे अनुभव में शोर का एक पर्याप्त राशि को निकालने कि ballpark आंकड़े हैं. रिकॉर्डिंग में विरूपण साक्ष्य की राशि अन्य प्रतिभागी समूहों, प्रयोगात्मक मानदंड या ईईजी सिस्टम का उपयोग कर अलग होने की संभावना है. प्रयोगकर्ताओं प्रतिशत समायोजित कर सकते हैंथ्रेसहोल्ड और वे विरूपण साक्ष्य अस्वीकृति से संतुष्ट हैं या नहीं. वैकल्पिक रूप से, प्रयोगकर्ताओं दृश्य निरीक्षण के माध्यम से विरूपण साक्ष्य होते हैं कि परीक्षणों अस्वीकार कर सकते हैं.
    5. प्रत्येक चैनल (1 टेबल) से चैनलों में मतलब गतिविधि घटाकर औसत संदर्भ के संदर्भ में पुन. नोट: शिखर इलेक्ट्रोड आम तौर पर NetStation में रिकॉर्डिंग संदर्भ के रूप में प्रयोग किया जाता है.
  2. स्वतंत्र घटक विश्लेषण का उपयोग विरूपण साक्ष्य सुधार
    1. तेज Toolbox 28 में डेटा आयात और डेटा पर स्वत: विरूपण साक्ष्य अस्वीकृति एल्गोरिथ्म (1 टेबल) चलाते हैं.
    2. के लिए तेजी से ग्राफिकल यूजर इंटरफेस (जीयूआई) का उपयोग करें; कमांड लाइन में जीयूआई, प्रकार FASTER_GUI खोलने के लिए.
    3. डेटा पहले से ही epoching से पहले फ़िल्टर कर दिया गया है के रूप में छानने मेनू में फ़िल्टरिंग विकल्प का चयन रद्द करें.
    4. 2 electrooculagram (छवियाँ) चैनल के साथ 126 ईईजी चैनल: चैनलों की संख्या निर्दिष्ट करें.
    5. दर्जएक सेल सरणी में तार के रूप में डेटा epoching के लिए इस्तेमाल किया मार्करों. प्रस्तुत मामले के लिए दर्ज करें: {'चेहरा', 'scra'} चेहरा और तले हुए चेहरे स्थितियों के लिए.
    6. स्वतंत्र घटक विश्लेषण (आईसीए) के लिए चैनलों का चयन करें. आम तौर पर सभी रिकॉर्डिंग चैनलों, भंडार का चयन करें. बाहरी गैर ईईजी चैनलों.
    7. जीयूआई के दाएँ फलक में इनपुट और आउटपुट फ़ोल्डर निर्दिष्ट करें.
    8. रिकॉर्डिंग के लिए उपयुक्त चैनल फ़ाइल का चयन करें. नोट: चैनल फ़ाइलों सबसे ईईजी सिस्टम के लिए निर्माता से डाउनलोड किया जा सकता है या तो या EEGLAB वेबसाइट से डाउनलोड किया जा सकता है.
    9. तेजी से प्रसंस्करण शुरू करने के लिए चलाएँ क्लिक करें. रिकॉर्डिंग और फ़ाइलों की संख्या की लंबाई पर निर्भर करता है, यह प्रसंस्करण में कई घंटे लग सकते हैं.
    10. दिखने में प्रसंस्करण के बाद रिकॉर्डिंग, स्वतंत्र घटक नक्शे और ERPs का निरीक्षण किया.
  3. घटना से संबंधित क्षमता डेटा के चैनल स्तर विश्लेषण
    1. एक आभासी सी फार्म करने के लिए कई चैनलों गठबंधनशोर अनुपात करने के लिए बेहतर संकेत के साथ hannel (1 टेबल). नोट: चैनल का चयन साहित्य या एक प्राथमिकताओं परिकल्पना में पिछली रिपोर्टों के आधार पर किया जाना चाहिए. एक निश्चित समय खिड़की के भीतर उच्चतम आयाम बताते हैं कि चयन चैनल 29 सलाह नहीं दी है.
    2. , शिखर आयाम जैसे उपायों प्राप्त तरंग विशेषताएँ और सांख्यिकीय परीक्षण (तालिका 1) प्रदर्शन करने के लिए आयाम और शिखर विलंबता मतलब है.
  4. सीमा तत्व मॉडल बनाने (कार्यलय)
    1. खण्ड संरचनात्मक एमआरआई FreeSurfer साथ स्कैन. नोट: सबसे सटीक परिणामों के लिए, प्रत्येक भागीदार के लिए व्यक्तिगत एमआरआई स्कैन पर सीमा तत्व मॉडल के आधार पर. यह संभव नहीं है, तो यथासंभव 'प्रतिभागियों की उम्र से मेल खाने वाली औसत एमआरआई टेम्पलेट्स इस्तेमाल किया जाना चाहिए. BEMS 24 महीनों के तहत बच्चों के लिए प्रयोग नहीं किया जा सकता है कि कृपया ध्यान दें. सीमा तत्व मॉडल प्रत्येक शैल (मस्तिष्क, खोपड़ी, त्वचा) एक बंद खोल के होते हैं कि मान. हालांकि, y मेंखोपड़ी में Oung बच्चों fontanelles बंद खोल धारणा का उल्लंघन करती है, जो बंद नहीं कर रहे हैं.
      1. FreeSurfer सॉफ्टवेयर स्थापित करने के लिए, पहली FreeSurfer वेबसाइट (से इसे डाउनलोड http://freesurfer.net/fswiki/DownloadAndInstall ). अगला, खोल पर्यावरण FreeSurfer शामिल की स्थापना; .. bashrc के लिए, bashrc फ़ाइल में निम्न आदेशों में शामिल हैं:
        1. निर्यात FREESURFER_HOME = / आवेदन / freesurfer /
        2. स्रोत $ FREESURFER_HOME / FreeSurferEnv.sh
          नोट: ये आदेश FreeSurfer फ़ोल्डर एक यूनिक्स प्रणाली पर अनुप्रयोग फ़ोल्डर में है कि मान. वैकल्पिक खोल वातावरण, जैसे सीएसएच / tcsh, या FreeSurfer वेबसाइट पर ऑपरेटिंग सिस्टम (साथ कैसे सेटअप FreeSurfer करने पर अधिक विवरण नहीं हैं http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. अगला, विषय निदेशक को परिभाषितइतिहास, उत्पादन निम्न आदेश का उपयोग करने के लिए लिखा जाएगा कि फ़ोल्डर यानी:
        1. निर्यात SUBJECTS_DIR = / ... / BEMS /
          नोट: परिणाम प्रणाली पर किसी भी फ़ोल्डर में लिखा जा सकता है.
      3. इसके बाद, निम्न आदेश का उपयोग सीमा तत्व मॉडल के लिए एमआरआई फ़ाइल वाले फ़ोल्डर के लिए काम निर्देशिका बदलने के लिए:
        1. सीडी / उपयोगकर्ताओं / joebathelt / Neurodevelopmental_MRI_database / बच्चे / ब्रेन /
          नोट: सिस्टम पर कोई फ़ोल्डर सीडी कमांड का सिंटैक्स का उपयोग कर निर्दिष्ट किया जा सकता है. इस प्राथमिक शोधकर्ताओं फ़ाइल संरचना का एक उदाहरण है.
      4. अंत में, निम्न आदेश का उपयोग पुनर्निर्माण शुरू:
        1. टोह सब मैं <mri_file>-subjid <subject_id>
        2. टोह के लिए सब के सब subjid <subject_id>
          नोट: वर्तमान निर्देशिका में वांछित एमआरआई स्कैन के फ़ाइल नाम के साथ जगह की जरूरत <mri_file>. <subject_id> प्रतिनिधि हो सकते हैंकिसी भी नाम के साथ सजी. FreeSurfer विषय निर्देशिका में इस नाम का एक फ़ोल्डर पैदा करेगा. प्रणाली का इस्तेमाल किया पर निर्भर करता है, पिछले आदेशों को चलाने के लिए कुछ समय की आवश्यकता हो सकती है.
    2. जैसे, गलत विभाजन के लिए FreeSurfer विभाजन की जाँच करें. अतिव्यापी क्षेत्रों, anatomically संभावना नहीं डिब्बों आदि. मंथन में खंडों का आयात और जीयूआई में प्रदर्शन उपकरणों का उपयोग करके:
      1. मंथन में, शरीर रचना विज्ञान फलक का चयन करें. सही विषय पर क्लिक करके और "आयात एनाटॉमी फ़ोल्डर" का चयन करके खंडों एमआरआई आयात करें. FreeSurfer उत्पादन के साथ फ़ोल्डर सुनिश्चित चयन किया जाता है. राइट क्लिक करने और चयन "प्रदर्शन" द्वारा नेत्रहीन विभाजन का निरीक्षण किया. नोट: वैकल्पिक रूप से, FreeSurfer आदेश का उपयोग किया जा सकता है. एक विस्तृत वर्णन FreeSurfer वेबसाइट पर पाया जा सकता है: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. संरचनात्मक parcellation के आधार पर ब्याज विश्लेषण के क्षेत्र वांछित है, FreeSurfer कार्यों mris_ca_label , mri_annotation2label और mri_mergelabels इस्तेमाल किया जा सकता है. FreeSurfer प्रकाशनों और अधिक विस्तृत जानकारी के लिए ऑनलाइन मदद पन्नों को देखें.
  5. मंथन में स्रोत गतिविधि का अनुमान
    1. कमांड विंडो में "मंथन" टाइप करके मंथन शुरू करो.
    2. फ़ाइल मेनू से नया प्रोटोकॉल का चयन करके एक नया प्रोटोकॉल बनाएँ.
    3. एक नए Subj जोड़ेंect फ़ाइल मेनू से नया विषय का चयन करके प्रोटोकॉल के लिए.
    4. इस विषय पर राइट क्लिक करके भागीदार और "आयात एमईजी / ईईजी" चयन के लिए आयात ईईजी डेटा.
    5. राइट क्लिक करें और "आयात चैनल फाइल" का चयन करके एक चैनल फ़ाइल आयात करें. नोट: चैनल फ़ाइल स्रोत पुनर्निर्माण के लिए एमआरआई के लिए गठबंधन की जरूरत है. मंथन उपयोगकर्ता एमआरआई में चिह्नित करने की जरूरत है कि 4 संरचनात्मक संदर्भ अंक की एक प्रणाली का उपयोग करता है. अधिक जानकारी (के लिए मंथन ट्यूटोरियल के लिए कृपया देखें http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). एक निश्चित ईईजी सिस्टम के लिए या, आदर्श, पूर्व ईईजी रिकॉर्डिंग करने के लिए डिजीटल गया है कि सिर पदों इस्तेमाल किया जा सकता है एक चैनल फ़ाइल द्वारा परिभाषित के रूप में मानक की स्थिति.
    6. राइट "विषय के लिए चैनल फाइल पर क्लिक करें और" एमआरआई पंजीकरण "पर जाएँ और: उम्मीद के रूप कार्यलय और चैनलों संरेखित कि जाँचें, "जाँच करें. नोट: मॉडल के भीतर क्षेत्रों अतिव्यापी हैं या चैनलों कार्यलय के भीतर हैं, तो स्रोत पुनर्निर्माण गलत परिणाम का उत्पादन होगा. "एमआरआई विभाजन" मेनू में "संपादित करें" विकल्प का उपयोग करके संरेखण समायोजित करें.
    7. प्रतिभागी पर राइट क्लिक करके प्रत्येक युग की आधारभूत से शोर सहप्रसरण मैट्रिक्स की गणना और "शोर सहप्रसरण मैट्रिक्स 'चुनने और" रिकॉर्डिंग से गणना करें ". नोट: मंथन उपकरण बॉक्स के लेखकों कम रिकॉर्डिंग के लिए एक विकर्ण शोर सहप्रसरण मैट्रिक्स (~ चैनलों से भी कम समय अंक) और अब रिकॉर्डिंग के लिए एक पूर्ण एक का उपयोग करना चाहिये. अधिक जानकारी के लिए मंथन स्रोत आकलन ट्यूटोरियल के लिए कृपया देखें http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. विषय और चयन "कंप्यूटर पर राइट क्लिक करके स्रोत मॉडल की गणनाई स्रोत मॉडल ".
    9. इस विषय पर राइट क्लिक करके गहराई भारित न्यूनतम नॉर्म आकलन का उपयोग और "कंप्यूट स्रोत" और "न्यूनतम आदर्श अनुमान" का चयन उलटा समाधान की गणना. नोट: अन्य विकल्प (dSPM, sLORETA) उपलब्ध हैं. प्रत्येक विकल्प अलग फायदे और कमियां है. एल्गोरिथ्म साहित्य में एक प्राथमिकताओं विचारों और पिछली रिपोर्टों के आधार पर चुना जाना चाहिए. अन्य लोगों के व्यापक प्रसार क्रियान्वयन के लिए अधिक उपयुक्त हैं, जबकि इसके अलावा, कुछ एल्गोरिदम, कुछ इलाकों में फोकल सक्रियण को हल करने में बेहतर हैं. MNE साहित्य 16 में पिछली रिपोर्टों पर आधारित इस अध्ययन के लिए इस्तेमाल किया गया था. स्थिरता के लिए, उलटा समाधान के लिए एक ही एल्गोरिथ्म एक अध्ययन में सभी प्रतिभागियों के लिए इस्तेमाल किया जाना चाहिए. शोधकर्ताओं ने यह भी विभिन्न उलटा समाधान एल्गोरिदम का आवेदन करने के लिए मजबूत निष्कर्ष हैं कैसे तुलना करने के लिए चाहते हो सकता है.
    10. अध्ययन में सभी प्रतिभागियों के लिए धारा 3 दोहराएँ. नोट: gra उपयोग या तोphical batching इंटरफ़ेस या प्रतिभागियों के लिए प्रसंस्करण कदम दोहराने के लिए स्क्रिप्ट. निर्देश के लिए मंथन प्रलेखन (देखें http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. प्रक्रिया मेनू में रिकॉर्डिंग खींचने और "हालत (विषय औसत) द्वारा" "जवाब" और चयन करके प्रतिभागियों प्रति परीक्षणों का औसत स्रोत गतिविधि.
    12. "प्रक्रियाओं 2" का चयन और एक खिड़की में हर हालत खींचकर हालत विरोध करें. फिर, डिजाइन के आधार पर "टेस्ट" और "छात्र के टी परीक्षण" या "विद्यार्थी t-परीक्षण (बनती)" का चयन करें. "स्टेट" मेनू में जिसके परिणामस्वरूप सांख्यिकीय नक्शे के प्रदर्शन में कई तुलना, सेट आयाम और क्षेत्र थ्रेसहोल्ड को करने के लिए. नोट: वैकल्पिक रूप से, सक्रियण नक्शे एसपीएम (निर्यात किया जा सकता http://www.fil.ion.ucl.ac.uk / एसपीएम /) अधिक गहराई सांख्यिकीय विश्लेषण के लिए ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 हाइपरलिंक "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. ब्याज की एक क्षेत्र के लिए घटना से संबंधित प्रतिक्रिया की गणना. Parcellation आधारित ROIs के लिए, शरीर रचना मेनू में प्रांतस्था सतह पर राइट क्लिक करके FreeSurfer parcellation लोड और "आयात लेबल" का चयन करें. इसी फ़ाइल नेविगेट और इसे लोड. अब, कार्यात्मक डेटा मेनू के "स्काउट" फलक में एक रॉय का चयन करें.
    14. प्रक्रिया 1 खिड़की करने के लिए फ़ाइलों को खींच कर आरओआई घटना से संबंधित गतिविधि प्राप्त करें और सूत्रों का कहना है मेनू से "स्काउट समय श्रृंखला निकालें" का चयन करें. नोट: कई ROIs एक साथ चुना जा सकता है और रॉय समय श्रृंखला स्काउट समय पर राइट क्लिक करके आगे की साजिश रचने और विश्लेषण के लिए निर्यात किया जा सकता हैश्रृंखला डेटा और चयन "matlab में निर्यात करें".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

शिशुओं और बच्चों के लिए डिजाइनिंग ईआरपी प्रयोगों अक्सर क्योंकि लंबे दोहराव प्रयोगों 30 को सहन करने के लिए अपनी सीमित क्षमता के कारण, चुनौती दे रहा है. सही स्रोत पुनर्निर्माण 1. 1 प्रदर्शित करता है बहुत छोटे बच्चों के साथ इस्तेमाल किया जा सकता है कि चेहरा प्रसंस्करण तंत्र की जांच के लिए एक प्रयोगात्मक प्रोटोकॉल चित्रा शोर अनुपात करने के लिए एक उच्च संकेत की जरूरत होगी क्योंकि प्रयोगकर्ता, स्रोत पुनर्निर्माण लागू करने की योजना है जब यह समस्या आगे बढ़ रहा है. प्रतिमान बच्चे वयस्क स्वयंसेवकों ख) अंतर उत्तेजना अंतराल के बाद ध्यान grabbers जोड़कर प्रयोग अधिक आकर्षक बनाने से आंख गतिविधियों पर नियंत्रण करने में सक्षम हो जाएगा क्योंकि एक), उत्तेजना प्रस्तुति के दौरान आंख झपकाए और आँख आंदोलनों को कम करने के लिए अनुकूल है. आँख झपकाए और आँख आंदोलनों स्क्रीन के केंद्र की ओर ध्यान आकर्षित करने के क्रम में शीघ्र ही उत्तेजना से पहले एक निर्धारण पार पेश करके नियंत्रित कर रहे हैं. इसके अलावा, प्रोत्साहन अवधिआँख आंदोलनों के साथ छवि स्कैन करने के लिए समय कम करते हुए प्रोत्साहन के प्रति जागरूक धारणा अनुमति देता है जो 500 मिसे, पर सेट है. ध्यान धरनेवाला एक साथ ध्वनि के साथ प्रस्तुत एक बच्चे के अनुकूल छवि के होते हैं. विभिन्न ध्यान धरनेवाला उत्तेजनाओं की एक यादृच्छिक चयन बच्चे के लिए कार्य दिलचस्प रखने के लिए इस्तेमाल किया जा सकता है. यह बच्चा फिर से स्क्रीन के बीच में दिख रही है कि निगरानी प्रणाली से स्पष्ट है जब अगले परीक्षण, प्रयोगकर्ता द्वारा शुरू किया जा सकता है. इसके अलावा, कहानियाँ बड़े बच्चों स्क्रीन के लिए भाग लेने में मदद करने के लिए इस्तेमाल किया जा सकता है. यह ईईजी रिकॉर्डिंग बच्चे काम को समझता है कि यकीन है कि बच्चों के साथ कार्य अभ्यास करने के लिए अक्सर उपयोगी है. अभ्यास सत्र में प्राप्त स्क्रीनिंग प्रश्न या स्कोर के बाद विश्लेषण में covariates के रूप में इस्तेमाल किया जा सकता है.

प्रयोग के लिए आवश्यक repetitions की संख्या की गणना करते हैं, तो यह कई परीक्षणों के कारण आनाकानी ओ के लिए खो दिया जा सकता है कि खाते में लेने के लिए महत्वपूर्ण हैआर आंदोलन विरूपण साक्ष्य बच्चों के साथ काम करते हैं. अंगूठे का एक नियम के रूप में, repetitions की आवश्यक संख्या वयस्क अध्ययन की तुलना में दोगुनी हो या प्रतिभागियों की एक बड़ी संख्या को भर्ती किया जाना चाहिए. ध्यान अवधि और सहयोग वयस्कों की तुलना में बच्चों में सीमित है. कार्य डिजाइनिंग इसलिए, जब मन में बच्चों की विशेष जरूरतों रखना. एक लंबे समय तक काम के बीच में ब्रेक के साथ छोटे कार्यों के कई ब्लॉकों में विभाजित किया जा सकता है. वे कई प्रोत्साहन स्थितियों के लिए पर्याप्त परीक्षण प्राप्त करने की आवश्यकता लंबी अवधि के लिए सहयोग करने में सक्षम नहीं होगा के रूप में आमतौर पर, प्रयोग में शामिल किया जा सकता है कि स्थितियों की संख्या, बहुत छोटे बच्चों के लिए छोटा है.

प्रस्तुत आंकड़े एक 6 साल का लड़का (6 साल 3 महीने) के साथ एक रिकॉर्डिंग के आधार पर कर रहे हैं. सिर मॉडल 6 वर्ष के बच्चों को 31 के एक औसत एमआरआई टेम्पलेट पर आधारित था. चित्रा 5 चेहरे उत्तेजनाओं का सामना और तले करने के लिए संभावित प्रतिक्रिया (ईआरपी) से संबंधित चैनल स्तर घटना से पता चलता है. वापीछे चैनलों पर ईआरपी की veform एक नकारात्मक विक्षेपन और बाद में एक व्यापक सकारात्मक विक्षेपन के बाद एक सकारात्मक विक्षेपन की उम्मीद पैटर्न से पता चलता है. स्थलाकृति, समय के पाठ्यक्रम और प्रतिमान की प्रकृति के आधार पर, इन deflections P100, n1 और देर सकारात्मक संभावित घटक का प्रतिनिधित्व करने की संभावना है. इसके अलावा, जल्दी नकारात्मक विक्षेपन तले चेहरों की तुलना में चेहरे उत्तेजनाओं के लिए काफी बड़ा है. इसलिए, यह चेहरा विशिष्ट N170 घटक को प्रतिबिंबित की संभावना है. चित्रा 5 में स्थलाकृतिक नक्शे 250 और 300 मिसे के बीच वोल्टेज वितरण दिखा. चेहरे हालत में सही occipito अस्थायी चैनलों पर एक अधिकतम के साथ नकारात्मक वोल्टेज स्पष्ट है.

चित्रा 6 एक मानक वयस्क सिर मॉडल और एक उम्र उपयुक्त सिर मॉडल के आधार पर अनुमान स्रोत गतिविधि के सांख्यिकीय तुलना से पता चलता है. स्रोत पुनर्निर्माण भारित गहराई के साथ एक सीमा तत्व मॉडल (कार्यलय) के आधार पर किया गया थावी. 3.1 32 मंथन में न्यूनतम आदर्श अनुमान (wMNE) और पूर्ण शोर सहप्रसरण मैट्रिक्स. डिफ़ॉल्ट MNI Colin27 कार्यलय वयस्क मॉडल के रूप में इस्तेमाल किया गया था. स्रोत गतिविधि चैनल स्तर पर अंकित विशिष्ट प्रतिक्रियाओं के साथ लाइन में 250 और 300 मिसे के बीच समय पर औसतन गया था.

नक्शा झूठे खोज दर (एफडीआर) का उपयोग कर कई तुलना के लिए सही चेहरे और तले हुए चेहरों हालत के बीच एक छात्र टी परीक्षण तुलना के परिणामों से पता चलता है. परिणाम तले चेहरों हालत की तुलना में चेहरे में टेम्पोरल लोब पर काफी मजबूत स्रोत सक्रियता दिखाने. आयु उपयुक्त मॉडल का उपयोग स्थानीयकरण अस्थायी प्रांतस्था के उदर सतह पर मजबूत मतभेदों के साथ अधिक फोकल है. वयस्क सिर मॉडल पर आधारित स्थानीयकरण अधिक फैलाने है और आयु उपयुक्त सिर मॉडल के आधार पर नक्शे पर ज्यादातर अनुपस्थित है कि सही औसत दर्जे का और बेहतर अस्थायी गाइरस पर स्रोत गतिविधि मतभेदों को दर्शाता है.

चित्रा 1

एक चेहरा धारणा के चित्रा 1. उदाहरण प्रयोग चेहरे की छवियों या तले चेहरे का दृश्य प्रस्तुति के होते हैं एक विस्तृत आयु सीमा से अधिक उपयुक्त प्रयोग. उत्तेजनाओं शारीरिक रूप से समान हैं, लेकिन स्थानिक व्यवस्था तले हालत में बेतरतीब है. प्रत्येक परीक्षण उत्तेजना प्रस्तुति के दौरान आँख आंदोलनों को कम करने के लिए एक निर्धारण पार की केंद्रीय प्रस्तुति के साथ शुरू होता है. निर्धारण पार प्रस्तुति की अवधि कई repetitions अधिक entrainment के प्रभावों से बचने के लिए यादृच्छिक है. प्रोत्साहन 500 मिसे के एक अवधि के दौरान प्रस्तुत किया है. कम अवधि में भी प्रस्तुति खिड़की के दौरान आँख आंदोलनों का मौका कम से कम. एक ध्यान हथियाने प्रोत्साहन 1 सेकंड और 2 सेकंड के बीच यादृच्छिक अवधि के साथ एक अंतर परीक्षण अंतराल के बाद प्रस्तुत किया है. परtention धरनेवाला अनुक्रम में गैर आकर्षक सामग्री के कई परीक्षणों के लिए भाग लेने की संभावना नहीं है कि बहुत युवा प्रतिभागियों के लिए विशेष रूप से उपयोगी है. प्रयोग भागीदार ध्यान धरनेवाला के जवाब में स्क्रीन पर देख रहा है, जब अगले परीक्षण शुरू कर सकते हैं.

चित्रा 2
चित्रा 2. सीमा अस्वीकृति एल्गोरिथ्म के लिए आरेख प्रवाह. एल्गोरिथ्म एक निर्धारित सीमा तक प्रत्येक युग में प्रत्येक ईईजी चैनल का अधिकतम तुलना. एक चैनल सीमा से ऊपर अधिकतम गतिविधि होता है, चैनल बुरा के रूप में चिह्नित है. चैनलों के 20% से अधिक एक दिया युग में खराब कर रहे हैं, तो युग खारिज कर दिया है. युग अस्वीकृति के बाद, हर चैनल में अधिकतम गतिविधि फिर से सीमा की तुलना में है. एक चैनल सभी epochs की 30% से अधिक में सीमा से ऊपर गतिविधि होता है, चैनल को अस्वीकार कर दिया है. चैनलों के 20% से अधिक इस प्रक्रिया से खारिज कर रहे हैं या शर्त प्रति epochs की कम से कम 50% युग अस्वीकृति के बाद छोड़ दिया जाता है, डाटासेट आगे के विश्लेषण से बाहर रखा जाना चाहिए. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 3
चित्रा 3. तेज Toolbox 28 का उपयोग कर स्वचालित विरूपण साक्ष्य सुधार. आंकड़ा इस आलेख में वर्णित सेटअप और प्रसंस्करण पाइपलाइन के साथ तेजी से उपकरण बॉक्स का उपयोग करने के लिए परिवर्तित करने की आवश्यकता है कि विकल्प दिखाता है:.. डाटासेट पहले से ही 2 फ़िल्टर कर दिया गया क्योंकि 1 छनन, निष्क्रिय किया जाना चाहिए चैनलों की संख्या को समायोजित करने की जरूरत है. इस लेख में इस्तेमाल ईईजी सिस्टम के साथ 126 चैनल है2 छवियाँ चैनलों. 3. समय तार का एक सेल सरणी. 4 के रूप में निर्दिष्ट करने की आवश्यकता ताला के लिए इवेंट मार्करों. घटना से संबंधित प्रतिक्रिया के लिए समय खिड़की आपूर्ति किए जाने की जरूरत है. यह पहले epoching चरण में इस्तेमाल किया खिड़की के समान हो गया है. 5. उपयोगकर्ता स्वतंत्र घटक विश्लेषण (आईसीए) के लिए चैनलों को परिभाषित करने के लिए है. ज्यादातर मामलों में, यह सब ईईजी चैनलों और आंख चैनल (छवियाँ) की तरह प्रासंगिक बाहरी चैनल शामिल होगा. 6. आँख चैनलों के सूचकांक में भी इस्तेमाल किया ईईजी सिस्टम को समायोजित करने की जरूरत है. ईईजी सिस्टम वर्णित के लिए, इन चैनलों के 125 और 128 होगा. यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 4
फाईमंथन 32. 1 में gure 4. स्रोत विश्लेषण. ईईजी डाटासेट और FreeSurfer सतहों आयात करने के बाद, सीमा तत्व मॉडल (कार्यलय) "स्रोत" मेनू. 2 में "कंप्यूट सिर मॉडल" का चयन करके गणना की जा सकती. शोर सहप्रसरण मैट्रिक्स "कंप्यूट शोर सहप्रसरण" का चयन करके रिकॉर्डिंग से गणना की जा सकती. रिकॉर्डिंग काफी लंबा है, तो सेंसर से यानी अधिक समय अंक, पूर्ण सहप्रसरण मैट्रिक्स अन्यथा एक विकर्ण मैट्रिक्स की सिफारिश की है, गणना की जा सकती. 3. सिर मॉडल और शोर सहप्रसरण मैट्रिक्स कंप्यूटिंग के बाद, यह उलटा समाधान प्राप्त करने के लिए संभव है. विभिन्न एल्गोरिदम इस्तेमाल किया जा सकता है. न्यूनतम नॉर्म आकलन (wMNE) एल्गोरिथ्म भारित गहराई इस लेख के लिए इस्तेमाल किया गया था. 4. ब्याज (आरओआई) के क्षेत्रों में स्रोत गतिविधि के समय के पाठ्यक्रम "स्काउट समय श्रृंखला निकालें" च का चयन करके, निकाला जा सकता है "स्रोत" मेनू रोम. FreeSurfer में स्वत: cortical parcellation से ROIs इस उदाहरण के लिए इस्तेमाल किया गया. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 5
अस्थायी चैनलों occipito सही चेहरा उत्तेजनाओं का सामना और तले तक चित्रा 5. घटना से संबंधित क्षमता प्रतिक्रिया (ईआरपी). ईआरपी तले चेहरों की तुलना में चेहरे के लिए सही पक्ष पर उत्तेजना शुरुआत के बाद 130 और 220 मिसे के बीच एक और अधिक नकारात्मक विक्षेपन से पता चलता है. इन गुणों N170 घटक 33 के बारे में पिछली रिपोर्टों के साथ लाइन में हैं. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

ove_content "के लिए: रखने together.within पृष्ठ =" हमेशा "> चित्रा 6
चित्रा 6. एक डिफ़ॉल्ट वयस्क सिर मॉडल और एक उपयुक्त सिर मॉडल के बीच स्रोत स्थानीयकरण की तुलना करें. चित्रा की शीर्ष पंक्ति एक औसत के एक FreeSurfer parcellation के आधार पर छोड़ दिया और एक उम्र उपयुक्त सिर मॉडल पर MNI वयस्क सीमा सिर मॉडल colin27 से पता चलता है सही पर 6 साल के बच्चों के लिए एमआरआई टेम्पलेट. coregistered इलेक्ट्रोड स्थानों के स्थानों को भी प्रस्तुत कर रहे हैं. रिकॉर्डिंग एक 6 साल का लड़का (6 साल 3 महीने) से प्राप्त हुई थी. झूठे खोज दर (एफडीआर) के प्रयोग से कई तुलना के लिए सही एक टी परीक्षण पर आधारित तले चेहरों हालत की तुलना में चेहरे में MNE स्रोत पुनर्निर्माण के सक्रियण नक्शे के बीच एक सांख्यिकीय तुलना की दूसरी और तीसरी पंक्ति परिणाम दिखायें. रंग नक्शे उच्च गतिविधि का संकेत लाल के साथ प्रभाव आकार दिखाता हैचेहरे हालत और तले हुए चेहरों हालत में उच्च गतिविधि दिखा नीले रंग में. कोई आयाम या आकार थ्रेसहोल्ड लागू किया गया है कि कृपया ध्यान दें. स्थानीयकरण वयस्क कार्यलय की तुलना में उम्र उपयुक्त सिर मॉडल का उपयोग कर अस्थायी ध्रुव के उदर की सतह पर अधिक फोकल प्रकट होता है. इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें.

चित्रा 7
चित्रा 7. स्रोत चेहरों के जवाब में सही तकली जैसा गाइरस की ईआरपी और MNE साथ एक उम्र उपयुक्त कार्यलय का उपयोग कर एक 6 साल का लड़का (6 साल 3 महीने) से प्राप्त एक रिकॉर्डिंग के स्रोत पुनर्निर्माण के आधार पर चेहरे तले स्रोत ईआरपी एक अधिक दिखाने एस की तुलना में चेहरे हालत में उत्तेजना शुरुआत के बाद 250 मिसे चारों ओर नकारात्मक विक्षेपनcrambled हालत चेहरे. इस गतिविधि चेहरों हालत में N170 घटक को सही तकली जैसा गाइरस के योगदान को प्रतिबिंबित की संभावना है.

<टीडी>
1.1 चरण के लिए इनपुट विवरण
input_image = imread ('/ उपयोगकर्ताओं / some_user / छवियों / example.jpeg'); % छवि को पढ़ने
gray_image = rgb2gray (input_image); % पैमाने ग्रे आरजीबी से स्थानांतरित
SaveAs (gray_image, 'grey_image.tiff') % नई छवि सहेजें
1.2 चरण के लिए इनपुट विवरण
कोड उदाहरण:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% हाउसकीपिंग
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
सीएलसी कार्यक्षेत्र से% समाशोधन चर
सभी साफ़ करें
करीब सभी % कम विलंबता मोड के लिए ऑडियो ड्राइवरों की स्थापना
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% चर
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: दस्तावेज़ और सेटिंग्स ईआरपी लैब उपयोगकर्ता MATLAB Faces_Houses मेरे दस्तावेज़ '; % कार्यशील निर्देशिका को परिभाषित
netstation = 1;
% इस NetStation ईईजी रिकॉर्डिंग सॉफ्टवेयर के साथ संचार toggles
% परीक्षणों की संख्या को परिभाषित
no_of_trials = 80; % Betw आसान पोर्टेबिलिटी के लिए कीबोर्ड नामों को एकीकृतeen यूनिक्स और पीसी संस्करणों
KbName ('UnifyKeyNames') % एक भागने कुंजी प्रेस के लिए एक चर परिभाषित
escapeKey = KbName ('भागने');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% लोड हो रहा है उत्तेजनाओं
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: दस्तावेज़ और सेटिंग्स ईआरपी लैब उपयोगकर्ता MATLAB Faces_Houses चेहरे मेरे दस्तावेज़ '); % उत्तेजनाओं चित्रों के साथ फ़ोल्डर की आपूर्ति
फाइलें = निदेशक (face_directory); % सभी चित्र उत्तेजनाओं के साथ एक सूची तैयार
= {files.name} का सामना;
चेहरे (1:2) = [];
grabbers = निदेशक ('/ उपयोगकर्ताओं / joebathelt / ड्रॉपबॉक्स / preterm_oddball / grabbers /'); </ P>
grabbers = {grabbers.name;}
grabbers (1:2) = [];
grabber_sounds = निदेशक ('/ उपयोगकर्ताओं / joebathelt / ड्रॉपबॉक्स / preterm_oddball / / लगता है');
grabber_sounds = {grabber_sounds.name;}
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% प्रयोग शुरू
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
अगर netstation == 1; NetStation ('कनेक्ट', '194 .82.245.131 ', '55513') रिकॉर्डिंग सॉफ्टवेयर के साथ% तुल्यकालन
NetStation ('सिंक्रनाइज़', 10) सटीकता की 10 मिसे के भीतर% तुल्यकालन
NetStation ('StartRecording') % रिकॉर्डिंग शुरू होता है
अंत
% स्क्रीन की स्थापना
screenNum = 0; प्रस्तुति स्क्रीन का% पहचान संख्या
% उत्तेजना प्रस्तुति के लिए एक खिड़की को परिभाषित
[Display.w, display.rect] = स्क्रीन ('OpenWindow', screenNum, 0);
[WPtr, रंगरूट] = स्क्रीन ('OpenWindow', screenNum); % माउस कर्सर छिपा
HideCursor;
काले = BlackIndex (wPtr); % काला करने के लिए पृष्ठभूमि की स्थापना
स्क्रीन ('FillRect', wPtr, काला); % पाठ प्रदर्शन के लिए फ़ॉन्ट और फ़ॉन्ट आकार को परिभाषित
स्क्रीन ('TextFont', display.w, 'एरियल');
स्क्रीन ('TextSize', display.w, 32);
स्क्रीन ('textstyle', display.w, 0);
no_of_trials: i = 1
FlushEvents
यूनिट प्रो = Randi (2);
% बेतरतीब ढंग से एक ध्यान धरनेवाला चित्र का चयन
attention_grabber = imread (strcat (input_folder, 'grabbers /', cell2mat (grabbers (रैंडी (लम्बाई (grabbers))))));
[लगता है, एफएस, nbits] = wavread (strcat (input_folder, '/ लगता है', cell2mat (grabber_sounds (रैंडी (लम्बाई (grabbers))))));
audio_handle = PsychPortAudio ('ओपन', [], [], 0, एफएस, लम्बाई (ध्वनि (1, :)));
'= ध्वनि मुक्त; % बेतरतीब ढंग से एक ध्यान धरनेवाला ध्वनि का चयन
PsychPortAudio ('FillBuffer', audio_handle, लगता है);
% ध्वनि प्रस्तुति की स्थापना
प्रोत्साहन = strcat (face_directory,))) Randi (लम्बाई (चेहरे (चेहरे);
प्रोत्साहन = imread (cell2mat (प्रोत्साहन)); % इस चेहरे की प्रस्तुति randomises और चेहरे तले
अगर यूनिट प्रो == 2; % बेतरतीब ढंग से उत्तेजनाओं की सूची में से चुना गया था कि प्रोत्साहन लोड हो रहा है
प्रोत्साहन = प्रोत्साहन (randperm (लम्बाई (प्रोत्साहन (1))), randperm (लम्बाई (प्रोत्साहन (1, :))));
अंत परीक्षण एक तले परीक्षण है अगर%, प्रोत्साहन मैट्रिक्स पांव मार
stim = स्क्रीन ('MakeTexture', wPtr, डबल (प्रोत्साहन)); % प्रोत्साहन
% प्रस्तुति के लिए प्रोत्साहन की तैयारी
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% ट्रायल
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% इस खंड पहला परीक्षण करने के लिए ही प्रासंगिक है
मैं == 1 अगर;
[NX, NY, बॉक्स] = DrawFormattedText (wPtr, 'प्रेस शुरू करने के लिए किसी भी कुंजी', 'केंद्र', 'केंद्र', [255 255 255]);
स्क्रीन ('FrameRect', wPtr, 0, बॉक्स);
[VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप', wPtr); एक कुंजी दबाया जाता है जब तक% पहले परीक्षण के लिए, पाठ "प्रेस शुरू करने के लिए किसी भी कुंजी" प्रस्तुत किया है
KbWait ([], 2);
[NX, NY, बॉक्स] = DrawFormattedText (display.w, '', 'केंद्र', 'केंद्र', 255); % खाली स्क्रीन
स्क्रीन ('FrameRect', display.w, 0, बॉक्स); [VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप', wPtr);
अंत
% निर्धारण पार
[NX, NY, bbox] = DrawFormattedText (wPtr, '', 'केंद्र', 'केंद्र', 255);
स्क्रीन ('FrameRect', display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप', wPtr); % निर्धारण पार के रूप में स्क्रीन के बीच में एक सफेद धन चिह्न तैयारी
अगर netstation == 1; % निर्धारण पार पेश
NetStation ('घटना', 'ठीक +', StimulusOnsetTim) अंत
% निर्धारण पार प्रस्तुति के समय टिकट और ईईजी रिकॉर्डिंग सॉफ्टवेयर के लिए कोड "+ ठीक" के साथ एक ट्रिगर भेजने
% 0.15 और 0.2 सेकंड बीच एक यादृच्छिक अवधि के लिए निर्धारण पार की प्रस्तुति समय सीमित
% प्रेरणा % चेहरा या तले चेहरा प्रोत्साहन पेश
स्क्रीन ('DrawTexture', wPtr, stim);
[VBLTimestamp StimulusOnsetTim] = स्क्रीन (wPtr, 'फ्लिप');
अगर netstation == 1; % समय टिकट और कोड 'अंकित' या ईईजी रिकॉर्डिंग सॉफ्टवेयर को 'scra' चेहरे के साथ ट्रिगर भेजने
अगर यूनिट प्रो == 1;
NetStation ('घटना', 'चेहरा', StimulusOnsetTim)
elseif यूनिट प्रो == 2;
NetStation ('घटना', 'scra', StimulusOnsetTim)
अंत
अंत
WaitSecs (0.5) 500 मिसे% तक सीमा प्रोत्साहन अवधि
% एक खाली स्क्रीन पेश
[NX, NY, बॉक्स] = DrawFormattedText (wPtr, '', 'केंद्र', 'केंद्र', 255); % खाली स्क्रीन
स्क्रीन ('FrameRect', wPtr, 0, बॉक्स);
[VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप', wPtr);
WaitSecs (1 रैंड (1)) 1 और 2 सेकंड के बीच एक यादृच्छिक अवधि के साथ% अंतर परीक्षण अंतराल
% ध्यान धरनेवाला % ध्वनि के साथ ध्यान धरनेवाला पेश
स्क्रीन ('DrawTexture', wPtr, धरनेवाला);
लगता = PsychPortAudio ('आरंभ', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप';, WPtr);
अगर netstation == 1;
NetStation ('घटना', 'grbr', StimulusOnsetTim) % ईईजी रिकॉर्डिंग सॉफ्टवेयर की ओर ध्यान धरनेवाला के लिए समय टिकट और कोड भेज
अंत
कुंजीपटल पर एक कुंजी दबाया जाता है जब तक% ध्यान धरनेवाला वर्तमान और ध्वनि
KbWait ([], 2);
PsychPortAudio ('बंद करो', audio_handle);
स्क्रीन ('FrameRect', display.w, 0, बॉक्स); भागने की कुंजी दबाया गया था अगर%, प्रयोग का गर्भपात
[VBLTimestamp StimulusOnsetTim] = स्क्रीन ('फ्लिप', wPtr);
[KeyIsDown, timeSecs, कुंजीकोड] = KbCheck; अगर keyIsDown
अगर keycode (escapeKey)
सांविधिक केंद्रीय लेखापरीक्षक
NetStation ('StopRecording')
वापसी
अंत
अंत % प्रयोग के अंत में प्रयोग बंद करें और ईईजी रिकॉर्डिंग रोक
अंत
स्क्रीन ('CloseAll');
अगर netstation == 1;
NetStation ('StopRecording')
अंत
कदम 3.1.1 के लिए इनपुट विवरण
OUTEEG = pop_eegfilt (INEEG, 0.1, []); % OUTEEG = ईईजी यानी, छानने के बाद डेटा. समारोह उत्पादन
% INEEG = ईईजी डेटा छानने से पहले, यानी समारोह इनपुट
% 0.1: उच्च मार्ग काट आवृत्ति
% []: कम पास कट ऑफ, अपरिभाषित एक उच्च पास फिल्टर वांछित है क्योंकि
कदम 3.1.2 के लिए इनपुट विवरण
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: एक कम पास फिल्टर वांछित है क्योंकि उच्च मार्ग अपरिभाषित, काट
% 30: कम पास कट ऑफ आवृत्ति
कदम 3.1.3 के लिए इनपुट विवरण
OUTEEG = pop_epoch (INEEG, 'घटना', {'चेहरा', 'scra'}, [-0.2 0.6]); % Epoching
% 'घटना', {'चेहरा', 'scra'} समारोह समय मार्कर ताला लगा के रूप में ट्रिगर घटनाओं 'चेहरा' और 'scra' का उपयोग करने के लिए कहा है. इन चलाता चेहरे की शुरुआत और तले हुए चेहरे एसटीआई चिह्नित करने के लिए प्रयोग लिपि में परिभाषित किया गयाmulus प्रस्तुति शुरुआत.
% [-0.2 0.6] = 0.6 सेकंड का समय ताला समारोह से 0.2 सेकंड से ईआरपी के लिए समय खिड़की
OUTEEG = pop_rmbase (ईईजी, [-0.2 0]); % आधारभूत निकाल रहा है
% [-0.2 0]: घटना ताला लगा समय समय पर ताला घटना से पहले आधारभूत समय खिड़की, यानी 0.2 सेकंड
कदम 3.1.4 के लिए इनपुट विवरण
समारोह [ईईजी] = threshold_rejection (ईईजी, सीमा) % समारोह परिभाषा, समारोह एक ईईजी डाटासेट संरचना और μV में एक सीमा की आवश्यकता
जम्मू = 1:02 के लिए
के लिए मैं = 1: लंबाई (EEG.data (1,1, :)) % इस छोरों एक दिया ईईजी डेटा सेट में सभी epochs के माध्यम से चला जाता है
डेटा = EEG.data (:,:, मैं);
डेटा = डेटा - मतलब (डेटा, 2); % घटाकर वेंई आयाम पारियों के प्रभाव से बचने के लिए गतिविधि मतलब
Maxima = अधिकतम (ABS (डेटा '))'; % सभी चैनलों में अधिकतम निरपेक्ष गतिविधि की पहचान
bad_channels = Maxima> सीमा;
channel_rejection (:, मैं) = bad_channels;
अगर राशि (bad_channels)> 0.2 * 128 चैनलों के 20% से अधिक सीमा से ऊपर हैं% है, युग अस्वीकृति के लिए चिह्नित किया गया है
epoch_rejection (मैं) = 1;
अन्यथा
epoch_rejection (मैं) = 0;
अंत
अंत
अगर जम्मू == 1; % के रूप में बुरा चिह्नित नहीं कर रहे हैं कि केवल epochs चयन
ईईजी = pop_select (ईईजी, 'परीक्षण', (epoch_rejection == 0 खोजने के लिए))
अन्यथा चैनल अस्वीकृति के लिए युग अस्वीकृति के बाद epochs की 20% से अधिक में खराब कर रहे हैं कि% निशान चैनल
bad_channels मतलब = (channel_rejection, 2)> 0.2;
ईईजी = pop_interp (ईईजी, लगता है (bad_channels == 1), 'गोलाकार'); % बुरा चैनलों को गोलाकार प्रक्षेप लागू
अंत
अंत
कदम 3.1.5 के लिए इनपुट विवरण
ईईजी = pop_reref (ईईजी, []); % औसत संदर्भ की गणना करता है
कदम 3.2.1 के लिए इनपुट विवरण
चैनल = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96';} % सही N170 % 128 चैनलों जियोडेसिक लुका के लिए चैनल लेबल के प्रयोग N170 प्रतिक्रिया के लिए सही गोलार्द्ध% का% Occipito अस्थायी चैनलdrocel सेंसर नेट
ईईजी = pop_select (ईईजी, 'चैनल' चैनल); % चैनलों का चयन
Virtual_channel मतलब = (EEG.data, 1); % एक आभासी चैनल को व्यक्तिगत चैनल का मेल
कदम 3.3.2 के लिए इनपुट विवरण
N170_peak = अधिकतम (ABS ((averaged_ERPs (0.13 * srate 0.2 * srate: 0.2 * srate 0.2 * srate), [], 2)); ΜV में प्रत्येक भागीदार के लिए एक विलंबता खिड़की के भीतर% अधिकतम आयाम
N170_peaklatency = 1000 * (लगता है (averaged_ERP (0.13 * srate 0.2 * srate: 0.2 * srate 0.2 * srate) == N170_peak) + 0.2 * EEG.srate + 0.13 EEG.srate). / EEG.srate मिसे में% चोटी विलंबता
N170_mean मतलब = (averaged_ERPs: 0.13 * srate 0.2 * srate: 0.2 * srate 0.2 * srate), [], 2); % मतलब आयाम में μV

तालिका 1. MATLAB वें लागू करने के आदेशोंई उदाहरण प्रयोग और चैनल और स्रोत स्तर पर उच्च घनत्व ईईजी रिकॉर्डिंग का विश्लेषण. तालिका चेहरों को लागू करने के लिए कोड सारांशित बनाम चेहरे उदाहरण प्रयोग तले. इसके अलावा, पूर्व कच्चे ईईजी प्रसंस्करण के लिए कोड में प्रस्तुत किया है. इसके अलावा, घटना से संबंधित प्रतिक्रिया के चैनल स्तर के विश्लेषण के लिए तरंग विशेषताओं निकालने के लिए तरीके दिखाए जाते हैं.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

वर्तमान लेख उम्र के बच्चों के लिए उपयुक्त एक मानक ईआरपी प्रतिमान में उपयुक्त औसत एमआरआई टेम्पलेट्स और गहराई भारित न्यूनतम आदर्श अनुमान के आधार पर सीमा तत्व मॉडल का उपयोग cortical जनरेटर के पुनर्निर्माण के लिए उच्च घनत्व ईईजी की रिकॉर्डिंग और विश्लेषण का वर्णन करता है. इस प्रतिमान में, चेहरे और तले हुए चेहरे का चित्र प्रस्तुत कर रहे हैं. विभिन्न लेखकों के विकास पर 35 चेहरा प्रसंस्करण तंत्र के विकास की जांच के लिए इस प्रतिमान का इस्तेमाल किया. चैनल स्तर पर, अस्थायी चैनलों occipito सही पर अधिक नकारात्मक deflections तले चेहरा हालत को चेहरा शर्त के लिए वर्णित हैं. स्थलाकृति, विलंबता और प्रतिक्रिया विशेषता N170 घटक 34 के साथ संगत कर रहे हैं. पिछले स्रोत और एक साथ ईईजी fMRI जांच तकली जैसा गाइरस N170 प्रतिक्रिया की संभावना जनरेटर है कि रिपोर्ट. वर्तमान विश्लेषण के परिणाम बताते हैं कि एक गहराई भारित सीमा के साथ स्रोत उलटातत्व मॉडल (कार्यलय) व्यक्तिगत प्रतिभागियों के स्तर पर अंकित तले चेहरा प्रतिमान में तकली जैसा गाइरस में स्रोत गतिविधि स्थानीय बनाना करने के लिए इस्तेमाल किया जा सकता है. व्यक्तिगत प्रतिभागी की शारीरिक रचना या उचित उम्र के उपयोग पर आधारित सिर मॉडल के उपयोग, व्यक्तिगत शरीर रचना उपलब्ध नहीं है, जिसमें विकास अध्ययन के लिए संरचनात्मक स्कैन, औसतन सबसे सटीक स्रोत स्थानीयकरण 2 की अनुमति देगा. इसके अलावा, ब्याज के क्षेत्रों विशेष cortical क्षेत्रों की घटना से संबंधित प्रतिक्रिया की जांच के लिए संरचनात्मक ज्ञान या स्वत: parcellation एल्गोरिदम के आधार पर पहचाना जा सकता है.

स्रोत पुनर्निर्माण के लिए कई सीमाओं पल में, विशेष रूप से विकास के नमूने में मौजूद हैं. सबसे पहले, विभिन्न आयु समूहों के लिए औसत टेम्पलेट्स पर आधारित स्रोत पुनर्निर्माण व्यक्तिगत जरूरी विशेष रूप से रोगी समूहों में, मामला नहीं हो सकता है जो उनके कालानुक्रमिक उम्र, के लिए विशिष्ट मस्तिष्क के विकास से पता चलता है कि मानता है. के लिएउदाहरण के लिए, विभिन्न अध्ययनों आत्मकेंद्रित 37 के साथ अपरिपक्व 36 या बच्चे पैदा हुए बच्चों के लिए मस्तिष्क के विकास में असामान्य trajectories का वर्णन किया. यह इन संरचनात्मक मतभेदों उलटा समाधान और असामान्य और विशिष्ट नियंत्रण समूहों के बीच तुलना के पूर्वाग्रह परिणामों की शुद्धता को प्रभावित करती है कि कैसे आकलन करने के लिए कठिन है.

दूसरा, इस तरह के सीमा तत्व मॉडल (कार्यलय) के रूप में आगे मॉडल ग्रे और सफेद पदार्थ के बीच मतभेद हैं, जैसे, डिब्बों के भीतर चालकता inhomogeneities शामिल नहीं है. subcortical स्रोतों की सटीकता इसलिए सीमित है. स्रोत समाधान है कि कारण के लिए cortical स्रोतों तक ही सीमित थे. परिमित तत्व मॉडल subcortical जनरेटर की अधिक सटीक समाधान के लिए लागू किया जा सकता है. प्रांतस्था के लिए प्रतिबंधित समाधान के साथ, यह cortical क्षेत्रों में सक्रियण अंतर्निहित subcortical प्रेरणा का तंत्र, जैसे, thalamic छोरों के माध्यम से प्रतिक्रिया संचार प्रतिबिंबित कर सकते हैं कि मन में रखने के लिए महत्वपूर्ण है.अधिक जटिल मॉडल वर्तमान में ठेठ वयस्क शरीर रचना विज्ञान, जैसे, गतिशील कारण मॉडलिंग 38,39 के लिए ही उपलब्ध हैं कि इस्तेमाल किया जाता है जब तक कि इसलिए, cortical क्षेत्रों की भागीदारी के बारे में कारण अनुमान सीमित कर रहे हैं.

इसके अलावा, सीमा तत्व मॉडल प्रत्येक डिब्बे के लिए बंद गोले मान. हालांकि, युवा शिशुओं कपाल हड्डियों के बीच टांके पूरी तरह से 15 विलय नहीं कर रहे हैं, जहां उनकी खोपड़ी में नरम स्थल है. कार्यलय मान्यताओं के इस उल्लंघन के गंभीर रूप से उम्र के 2 साल से छोटे शिशुओं में BEMS साथ स्रोत पुनर्निर्माण की प्रयोज्यता की सीमा. परिमित तत्व मॉडल इस उम्र सीमा में स्रोत पुनर्निर्माण के लिए इस्तेमाल किया जा सकता है.

तीसरा, उम्र उपयुक्त सिर मॉडल स्रोत पुनर्निर्माण के लिए इस्तेमाल किया गया है, भले ही वयस्क नमूनों पर आधारित चालकता मान प्रत्येक डिब्बे के भीतर चालकता मॉडल का उपयोग किया गया. हालांकि, ऊतक चालकता जैसे, विकास के साथ बदल जाने की संभावना है., के माध्यम सेअस्थि घनत्व 15 में बढ़ जाती है. मानव शिशुओं और बच्चों के लिए BEMS में इस्तेमाल किया प्रकार के ऊतकों के लिए चालकता मूल्यों वर्तमान में हमारे ज्ञान करने के लिए उपलब्ध नहीं हैं.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

इस लेख के लिए प्रकाशन लागत विद्युत Geodesics, इंक द्वारा प्रायोजित किया गया

Acknowledgments

हम हमारे विकास एमआरआई डेटाबेस और उपयोगी विचार विमर्श करने के लिए पहुँच देने के लिए प्रो जॉन रिचर्ड्स, दक्षिण कैरोलिना विश्वविद्यालय, धन्यवाद देना चाहता हूँ. हम भी अपने funders ग्रेट Ormond स्ट्रीट बच्चों के दान, UCL प्रभाव और चुनौतियां ग्रैंड धन्यवाद देना चाहूंगा.

Materials

Name Company Catalog Number Comments
High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software MATLAB R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software MATLAB R2012b The Mathworks Inc.
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: an open source toolbox for analysis of single trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: A User Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 1–13, (2011).
Fischl, B. et al. Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. The psychophysics toolbox. Spatial vision, (1997).

DOWNLOAD MATERIALS LIST

References

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Tags

व्यवहार अंक 88 ईईजी विद्युतमस्तिष्कलेख विकास स्रोत विश्लेषण बाल चिकित्सा न्यूनतम आदर्श आकलन संज्ञानात्मक तंत्रिका विज्ञान घटना से संबंधित क्षमता
बच्चों में उच्च घनत्व ईईजी रिकॉर्डिंग के cortical स्रोत विश्लेषण
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bathelt, J., O'Reilly, H., de Haan,… More

Bathelt, J., O'Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter