Waiting
Login processing...

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

Behavior

子供高密度脳波記録の皮質ソース解析

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

近年、認知神経科学実験のために頭皮測定された電気的活動の皮質源を推定する関心が高まっている。この記事では、高密度脳波を取得した方法と、録音はロンドン赤ちゃんラボで2歳以上の小児の皮質源推定のために処理される方法について説明します。

Abstract

EEGは、伝統的に高い時間および低空間分解能を有する神経画像技術として記載されている。生物物理学的モデル化と、信号処理における最近の進歩は、この制約を克服する1高空間分解能を提供する構造的MRIのような他の撮像モダリティからの情報を活用することを可能にする。これは一時的な高解像度だけでなく、空間領域を必要とする調査に特に便利です。よく機能的MRIスキャンを許容しないような若い子として集団を操作するときだけでなく、原因EEG記録の簡単なアプリケーションで低コストのために、脳波は、多くの場合、最適な方法である。しかし、基質が関与する神経調べるために、構造的MRIからの解剖学的情報が依然として必要である。ほとんどの脳波解析パッケージは、大人の解剖学に基づいており、標準的な頭部モデルを扱う。子どもたちのために使用されるこれらのモデルの精度は、2を制限されているので、COmpositionと頭の空間的な構成は、開発3で劇的に変化した組織。

本論文では、高密度脳波の皮質の発電機を再構築するために、個々の構造的なMRIスキャンや年齢、特定の頭部モデルに基づく頭部モデルを用いた我々の最近の研究の概要を説明します。この記事では、EEG記録が処理され、実験室の設定、タスクの設計、脳波前に、MRI処理、脳波チャンネルレベルおよびソース解析など、ロンドンの赤ん坊の研究所の小児集団で分析、取得する方法を説明します。

Introduction

オバマ大統領は、健康と経済3（http://www.whitehouse.gov/share/brain-initiative）のための重要度の高い科学的発見の次のフロンティアとして、人間の脳を記述した。しかし、自然科学の他の分野と同様に、神経科学の進歩のための方法論や分析技術の進歩に依存します。ヒトにおける脳機能に関する研究において一般的に使用される2つの非侵襲的なツールは、磁気共鳴イメージング（MRI）及び脳波（EEG）である。これらのツールは、異なる物理特性を利用し、独自の長所と短所を持つ脳機能にさまざまな洞察を提供しています。 MRIは、生体組織の画像を得るために磁場中での水分子の磁気特性を使用する。被験体は、高い磁場強度を有する磁石内に配置される必要がある。参加者の動きは、この手順の間に制限され、参加者は、磁気の急激な変化に起因するノイズを許容するために有しているフィールド。構造上の画像に加えて、MRIは、脳機能法（fMRI）を調べるために血液酸素化の変化を測定する可能性を提供する。要約すると、MRIは、現代の高磁場スキャナや最適化されたパラメータ4で最大0.5ミリメートル3の比較的高い空間分解能を提供しています。これとは対照的に、fMRIのの時間分解能は間接的にしか神経活動5,6の高い時間ダイナミクスを反映しBOLD応答の遅い反応速度に制限されています。

他方、EEGは頭皮上に配置された電極を介してニューロンの活性によって引き起こされる電気的活動の変化を測定する。脳波技術の最近の進歩は、短期または長期固定のためのセンサーの迅速かつ容易なアプリケーションだけでなく、外来の録音を可能にします。 EEGは制限が少ないので、それはまた、井戸のようなMRI環境を許容しない特定の参加者集団のために選択される方法である小児および特定の高齢者や精神科集団。 EEGの特性は、MRIのものと逆のパターンを示す：時間分解能精度はミリ秒と非常に高いが、空間分解能が制限される。電気電流が頭皮の表面にその発電機およびEEG電極との間で種々の組織を通過する。これは、混合および体積伝導効果として知らソースアクティビティの空間的スミアリングをもたらす。そのため、頭皮の表面に電極によって測定された活性は、ヘッド1,7の電極の位置に遠いかもしれない複数のソースからの活動を反映している。

近年の多くの研究は、それぞれの長所を活用するために、MRIとEEGの併合に専念してきました。仕事の一行は、機能研究における脳波やMRIの同時取得に取り組んでいます。別のアプローチは、ボリュームcのを考慮するために、構造MRIによって提供される空間情報を使用することであるonduction生物物理学的モデリングによって効果。 EEG記録のソース再構成のための構造情報を使用することは小児集団を含む研究のために特に有用である。脳機能の発達の調査は複雑な認知能力は、単純な前駆体8の上に構築する方法を理解する上で中心的な役割を果たします。

これらの調査は、行動性能の変化と相関神経基盤と応答特性の変化を強調するのに役立ちます。しかし、開発中に脳機能と認知の調査は、特定の課題を提起する。特に、機能的MRI研究のための機会が幼い子供や乳幼児眠っや運動の成果物と参加者福祉に悪影響を及ぼすことなく、MRIデータを取得するために鎮静する必要がいずれかとして制限されています。さらに、脳波、研究参加者の募集が容易になり、両親によってリスクが少ないと、侵襲性として知覚される。 Therefore、脳波は幼児の脳機能の多くの研究のために選択される方法である。 EEGシステムにおける方法論的進歩は、数分以内に128以上のチャンネルを有する高密度電極アレイの適用を可能にする。アプリケーションと快適さを身に着けやすさにも最年少の乳児に脳波記録を可能にするのに十分である。しかし、多くの場合、研究者だけでなく、特定の刺激に対する応答の時間的なダイナミクスに興味を持っているだけでなく、応答を仲介する神経基盤を比較したいと思います。

異なる年齢群を比較するチャンネルレベルのERP分析において一般仮定は、同じ神経基盤が応答していることですが、タイミングや応答振幅は年齢9渡って変化する。同様の頭皮トポグラフィは、しばしば類似の基礎となる神経活動の指標として使用される。しかし、多くの異なるソースの構成は同様の頭皮トポグラフィ10につながる可能性がある。光源推定を適用することにより、このuncertaintyを低減し、定量することができる。観測値の独立性は、脳機能のネットワークアカウントのために重要である：ソースが混在している場合、相関が高いローカル接続の方にバイアスされる。ソース再構築は、このバイアス11を減少させるために適用することができる。代わりに、タイミングと位相の違いは、接続分析に使用することができますが、これらの数学的モデルは、非シミュレートされたデータ12で評価することが困難な仮定を必要とする。要約すると、元の推定は解剖学や組織の生物物理学的特性に関する知識に基づいて、チャネルレベルの脳波とERP分析に追加情報を提供します。

異なるアルゴリズムは、逆問題に対する解決策を見つけるために考案されている。パラメトリックとノンパラメトリック13：これらのアルゴリズムは、2つのカテゴリに大別分類されます。パラメトリックモデルは、位置、向きや強さが変化してもよい1または複数の双極子を想定しています。対照的に、非パラメトリックモデルcontai固定された位置と向きを持つダイポール多数のNA。これらのモデルでは、頭皮の電気的活動は、固定ダイポール10,13,14における活性化の組み合わせとして説明する。ノンパラメトリック、分散型のソースモデルは、様々なメディアでの解剖学と導電率に関する知識に基づいて行うことができる。境界要素モデルは、脳、脳脊髄液、頭蓋骨に別のシェルとヘッドの主な組織のための導電率値を組み込む。これは、導電率は、各区画内にほとんど一定であるが、顕著な変化は、異なる区画の境界で発生することを想定している。導電率の値は、各ボクセル15に割り当てることができるように、有限要素モデルは、灰白質および白質にMRスキャンのさらなるセグメンテーションに基づいている。

実際には、ノンパラメトリックモデルは、領域の数が05に関与する複雑な認知課題にソース再構築のために特に有用である10知られていない。より正確な有限要素モデルは、比較的高い計算要求をもたらすためか境界要素モデルが最も広く、現在の文献で使用される。のFEMは、個々のMRIスキャンに基づくべきであるように、さらに、灰色と白質にはかなりの間個体差があります。

ノンパラメトリックモデルは、順モデルの予測に頭皮測定された活性を一致させるための第二のステップが必要です。再度、異なる利点および欠点を有する異なるアプローチが（概要についてはミシェルら 、2004を参照のこと）文献で ​​議論されている。最も広く使用されているアルゴリズムは、最小の全体的な強度16との上位モデル内の電流分布に頭皮測定された活性と一致する最小ノルム推定（MNE）に基づいています。多国籍企業は弱く、表面的な情報源に偏っている。深さ重み付けされた多国籍企業のアルゴリズムは、重みを導入することにより、表面の偏りを軽減しよう数学的な仮定に基づいて10の行列。広く使用されているLORETAのアプローチは、加重MNEに基づいていますが、さらにスムーズな解決策17,18につながる要因のラプラシアンは、最小限に抑えられている。 LORETAは、シミュレーション研究19,20に単一ソースの最良を行うことが見出されている。しかし、LORETAソリューションの平滑化の上につながる可能性があります。源が未知であるか、または複数のソース13は、16本である可能性が高いときに深さ重み付けMNEが好ましい。異なるモデルの仮定の影響を評価するために、異なるアルゴリズムの結果を比較することはお勧めします。

要約すると、モデリング手法を介して、ソースの再構築が最近まで子供たちのために制限されてきた。ほとんどのEEG分析ソフトウェアは、実質的に子供2,8のソース解の精度を制限する成人の解剖学的構造に基づいて、頭部モデルに依存しているからである。計算能力との規定に格安アクセスソース再構築のためのユーザフレンドリーなソフトウェアにより、これらの制限を克服することを可能にする。脳波にソース推定を適用すると、単独のチャンネルレベルの観察に基づいた分析を介して2つの重要な利点を提供する：空間分解能と観測値の独立性を改善しました。

ソース推定は、場合によっては有益ではない可能性があります。頭の良いカバレッジはソースを区別するために必要とされている。 128以上の電極を有する高密度システムは、10,15とをお勧めします。まばら報道は、より広い拡散源の活性化や偽陰性の結果が10につながる空間フィルタとして機能します。さらに、この記事で説明した方法に基づいて、ソースの再構築は、皮質の発電機のために報告されています。したがって、皮質下の基板または皮質、皮質下の相互作用についての仮説を試験するにはあまり適していない。最後に、ソース解析は、皮質基質についての詳細な従来の仮説に基づくべきである考慮に他の画像診断法から既存の文献を取る。空間フィルタリング技術は、頭皮レベルでの空間的な混合を低減することによってEEG信号の空間分解能を改善するために使用されてもよい。ヘッドモデリングすることなく、体積伝導効果の影響を低減するための代替方法は、 例えば 、ラプラシアンフィルタ21又は電流源密度解析22が使用される。体積伝導効果だけ空間的に近接し1内のセンサに限定されないがしかし、これらの方法は、神経発生に関する詳細な情報を提供しない。

以下のセクションでは、物品は、脳と2歳の子供の認知機能を調べるための実験を​​ロンドン赤ちゃんラボで設計されている方法を説明します。次に、子どもとの高密度低インピーダンスシステムとEEGデータ取得は議論されている。そして、チャネルレベルでの脳波前処理と分析が提示されている。 Lastlyは、物品は、皮質ソース再構築及びソースレベル信号の分析のための構造的MRIデータの処理に焦点を当てている。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

子供のための1。設計脳波およびイベント関連電位の実験

注：簡単な実験は、幼児の顔処理を調査するために用いることができる、この記事の目的のために設計されました。次のセクションでは、実験を説明し、MATLAB R2012bとPsychtoolbox V3.0.11 23,24を使用してそれを実装する方法を説明します。感情的な表情25のNimStimセットから撮影された写真は、この実施例に使用した。この刺激セットは、要求に応じて、研究目的のために提供されています（ http://www.macbrain.org/resources.htm ）。

  1. 刺激の違いを減らすために、グレースケールに、RGBの画像を転送。 表1を参照してください注：これらのコマンドは、Processing Toolboxの（イメージが必要http://www.mathworks.co.uk/products/image/ ）。無料の代替案は、T見つけることができるファイル交換（hrough https://www.mathworks.co.uk/matlabcentral/fileexchange ）。
  2. 刺激提示のために正確なタイミングでの実験を実施するために、実験制御ソフトウェアを使用して、（例えば、表1を参照）一連のコマンドを使用してトリガします。

2。データ収集

  1. 子供がテスト環境で快適であることを確認してください。年少の子供たちは、彼らの介護者の膝の上や、快適な子供の席に座ることができます。子供が子供の頭に適用する前に、センサネットを見て、感じてみましょう。余分のネットがある場合は、親も上のいずれかを試したり、人形やぬいぐるみテディベアに1を配置している。
  2. 子供のための正しい正味のサイズを選択し、最大頭囲を測定します。測定テープを使用し、[後にそれを保持する。そして、最大円周の周りに頭の周りを測定（〜1イニオン上記のCM）。注：測定頭囲、後で分析26に使用したセンサネットの記録を保持。両親ヘッドはまた、状況を持つ子どもをより快適にするために測定される場合に役立ちます。
  3. [後]とイニオンと左右periauricularポイント間の中間距離の交差点で頭部の頂点を識別します。ネットを適用する際に頂点チャンネルが正しく配置されていることを確実にするために、中国ペンで、この点をマーク。
  4. センサネットを適用し、キーのチャネルが解剖学的特徴（[後、イニオン、頂点、右/左mastoids）と整合していることを確認してください。注：最も正確な結果を得るためには、ヘッド上のチャンネルの位置は、デジタル特殊デジタル化装置を用いて取得することができる。センサ位置の取得を希望する研究者は、適切なハードウェアとソフトウェアのマニュアルを参照する必要があります。代わりに、解剖学的LANに沿って、電極の標準配置を想定し、電極マップdmarksを使用することができる。これらのマップは、分析部で説明したように、適切な頭部モデルを熟成するためにワープすることができます。
  5. チャネルは個別にセンサーを配置することによって、頭皮との良好な接触を持っていることを確認してください。静かに邪魔に髪を移動するには左右に各センサをねじる。
  6. チャネル利得およびチャネルのインピーダンスを測定します。 NetStation脳波記録ソフトウェアで録音を開始し、ゲインとインピーダンス測定を開始する "スタート"をクリックします。測定は自動的に起動しない場合は、「キャリブレーションアンプ」と「ネットのインピーダンスを測定します」ボタンを使用します。
  7. 赤く表示されます50kΩのより高いインピーダンスを有するチャネル用録画ソフトをチェックしてください。チャネルインピーダンスを下げるために、ピペットを用いて、追加の電解質溶液を適用する。低インピーダンスまたはチャネル（フラットラインチャンネル）を囲むより著しく低い活性にもかかわらず、高周波活性を示すチャネルのためのEEGの表示を確認してください。これらのチャネルは、HAVがあり頭皮にE接触不良や調整が必要。
  8. 脳波の準備中に快適な子供たちを保つために、子供が幼児のためのシャボン玉を吹いて、 例えば 、音楽を聴く年齢に適した漫画を見たり、別の実験者を使用してそれらをそらすことができます。

3。分析

  1. 前処理
    1. デジタルで27（表1）を漂うチャンネルを削除する0.1 Hzのカットオフを有する高域通過フィルタでデータをフィルタリングする。
    2. ERP分析のために、30ヘルツ27（ 表1）でカットオフを有するローパスフィルタを適用する。
    3. 記録時に設定されたトリガコードに基づき、継続的なデータをEPOCH。ほとんどの実験については、関心対象（ 表1）の時間間隔をカバーするために発症および600ミリ秒のポスト刺激間隔を刺激する前に200ミリ秒のベースラインを使用する。
    4. 動きや瞬きアーチファクトが含まれているエポックを削除します。マークC150 mVのより高いピーク振幅をピークhannels - 参加者グループとデータ品質に応じて、このしきい値を調整します。一貫性を保つため、ある研究では、すべての参加者に同じしきい値を使用しています。チャネルはエポックの30％以上は、この閾値を上回る場合、（これらは許容されるデータが含まれている場合、チャネル活性は、周囲のチャンネルから補間され得る）チャネルを削除する。チャンネルの20％以上が時代に不良とマークされている場合は、画期的を削除します。チャネルの20％以上は、アルゴリズムによって拒否されるか、またはエポックの50％未満が保持される場合、さらなる分析（ 表1）からのデータセットを削除することを検討してください。
      注意：エポックとチャネル除去のためのパーセントのしきい値は我々の経験では、ノイズの十分な量を削除おおよその数値です。記録時のアーチファクトの量は、他の参加基、実験的パラダイム又はEEGシステムを用いて異なる可能性が高い。実験者の割合を調整することもできますしきい値と、彼らはアーティファクト除去に満足しているかどうかを確認します。別の方法として、実験者は、目視検査によりアーティファクトが含まれている試験を拒否することができます。
    5. 各チャンネル（ 表1）からのチャネルにわたって平均活動を減算することにより平均基準を参照する再。注：頂点電極は、典型的にNetStation記録基準として使用される。
  2. 独立成分分析を用いた成果物の修正
    1. FASTERツールボックス28にデータをインポートし、データで自動アーティファクト除去アルゴリズム（ 表1）を実行します。
    2. より速くするためのグラフィカルユーザインタフェース（GUI）を使用します。コマンドラインに、GUI、タイプFASTER_GUIを開きます。
    3. データがすでにepoching前に濾過されているように、フィルタリングメニューのフィルタリングオプションの選択を解除します。
    4. 2 electrooculagram（EOG）チャンネル126のEEGチャンネル：チャンネル数を指定します。
    5. 入力するセル配列内の文字列としてデータをepochingために使用されるマーカー。提示された場合のように入力します。{'顔'、 'SCRA'}顔とスクランブル顔条件。
    6. 独立成分分析（ICA）のためのチャネルを選択します。通常、すべての録音チャンネルのinclを選択します。外部の非脳波チャンネル。
    7. GUIの右ペインに、入力と出力フォルダを指定します。
    8. 記録のための適切なチャネルファイルを選択します。注：ほとんどの脳波システムのためのチャネルのファイルがどちらかのメーカーからダウンロードすることができますかEEGLABのウェブサイトからダウンロードすることができます。
    9. より高速な処理を開始するには[実行]をクリックします。記録の長さとファイルの数によっては、この処理は数時間かかることがあります。
    10. 視覚的に処理した後に録音、独立成分マップおよびERPを検査します。
  3. 事象関連電位データのチャネルレベルの解析
    1. 仮想Cを形成するために複数のチャネルを組み合わせて対雑音比が良好な信号とhannel（ 表1）。注意：チャンネルの選択は、文献に以前の報告や演繹的な仮説に基づいている必要があります。与えられた時間枠内で最大振幅を示して選択するチャンネルは29をお勧めできません。
    2. ピーク振幅のような施策を取得、波形を特徴づけると統計的検定（ 表1）を実行するために、振幅とピーク潜時を意味する。
  4. 境界要素モデルの作成（BEM）
    1. セグメントFreeSurferと解剖学的MRIスキャン。注：最も正確な結果を得るには、各参加者の個々のMRIスキャンの境界要素モデルを基礎としている。これが不可能な場合は、可能な限り厳密に、参加者の年齢を一致させる平均のMRIテンプレートを使用する必要があります。 BEMSは、24ヶ月未満の子供には使用できませんのでご注意ください。境界要素モデルは、各シェル（脳、頭蓋骨、皮膚が）閉殻で構成されていることを前提としています。しかし、yの頭蓋骨内oung子供泉門は閉殻の仮定に違反した、閉じられていない。
      1. FreeSurferソフトウェアをインストールするために、第FreeSurferホームページ（からダウンロードhttp://freesurfer.net/fswiki/DownloadAndInstall ）。次に、シェル環境をFreeSurferを含めるセットアップ; 。。bashrcにのために、bashrcファイルに次のコマンドが含まれています。
        1. 輸出FREESURFER_HOME = /アプリケーション/ freesurfer /
        2. ソース$ FREESURFER_HOME / FreeSurferEnv.sh
          注：これらのコマンドは、FreeSurferフォルダは、UNIXシステム上のアプリケーションフォルダにあることを前提としています。代替シェル環境、 例えば CSH / tcshの、またはFreeSurferウェブサイト上のオペレーティングシステム（とどのようにセットアップFreeSurferへの詳細がありますhttp://freesurfer.net/fswiki/DownloadAndInstall ）。
      2. 次に、件名方向を定義する保守党は、出力は次のコマンドを使用してに書き込まれるフォルダ、すなわち：
        1. 輸出SUBJECTS_DIR = / ... / BEMS /
          注：結果は、システム上の任意のフォルダに書き込むことができる。
      3. 次に、次のコマンドを使用して、境界要素モデルのため、MRIファイルを含むフォルダに作業ディレクトリを変更します。
        1. CD /ユーザ/ joebathelt / Neurodevelopmental_MRI_database /子供/脳/
          注：システム上の任意のフォルダには、cdコマンドの構文を使用して指定することができます。これにより、主研究者はファイルの構造の一例である。
      4. 最後に、次のコマンドを使用して再構築を開始します。
        1. 偵察·オールI <mri_file>-subjid <subject_id>
        2. 偵察·オールオールsubjid <subject_id>
          注意：現在のディレクトリ内の目的のMRIスキャンのファイル名に置き換える必要があり<mri_file>。 <subject_id>はREPすることができます任意の名前が混入。 FreeSurferは、対象ディレクトリにこの名前のフォルダが作成されます。使用されるシステムに応じて、最後のコマンドを実行するまでに時間を必要とし得る。
    2. 例えば 、誤ったセグメンテーションのためFreeSurferセグメンテーションを確認してください。重なり合う球、解剖学的にはほとんどの区画など 。ブレインストームにセグメントをインポートすることによって、およびGUIで表示ツールを使用します。
      1. ブレインストームでは、解剖学·ペインを選択します。対象を右クリックしてセグメント化され、MRIをインポートし、「インポート解剖フォルダ」を選択する。 FreeSurfer出力とフォルダを確認してくださいが選択されています。右クリックして、視覚的にセグメント化を検査し、「表示」を選択する。注：または、FreeSurferコマンドを使用することができる。詳細な説明は、FreeSurferのウェブサイトでご覧になれます。 http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction。解剖parcellationに基づいて、関心の分析の領域が所望される場合、FreeSurfer関数mris_ca_label 、 mri_annotation2labelとmri_mergelabelsを使用することができる。 FreeSurferの出版物や、より詳細な情報については、オンラインヘルプページを参照してください。
  5. ブレインストームにソースアクティビティを推定
    1. コマンドウィンドウで「ブレインストーム」を入力してブレインストームを開始します。
    2. [ファイル]メニューから[新しいプロトコルを選択して、新しいプロトコルを作成します。
    3. 新しい首題を追加電気ショック療法プロトコルに[ファイル]メニューから[新規の対象を選択することによって。
    4. 対象を右クリックして「インポートMEG / EEG」を選択することにより、参加者の輸入EEGデータ。
    5. 右クリックして「インポート·チャネル·ファイル」を選択することで、チャンネルファイルをインポートします。注：チャネルファイルは、ソース再構築のためにMRIに位置合わせする必要がある。ブレインストームは、ユーザーが、MRIでマークする必要がある4解剖学的基準点のシステムを使用しています。詳細は、（のためのブレーンストーミングのチュートリアルを参照してくださいhttp://neuroimage.usc.edu/brainstorm/CoordinateSystems ）。特定のEEGシステム、または、理想的には、前のEEG記録にデジタル化した頭部位置を使用することができるチャネルファイルによって定義された基準位置。
    6. 右主題のためのチャネルファイルをクリックし、「MRI登録」に移動し、 "期待どおりBEMとチャンネルが合っていることを確認してください; "を確認してください。注：モデル内の球体が重なっているかのチャネルがBEM内にある場合は、ソースの再構築が誤った結果が生成されます。 「MRIセグメンテーション」メニューの「編集」オプションを使用して配置を調整します。
    7. 参加者を右クリックして、各エポックのベースラインからのノイズ共分散行列を計算し、「ノイズ共分散行列」を選択し、「記録から計算」。注意：ブレーンストーミングツールボックスの作者が短時間録音のための斜めのノイズ共分散行列（〜チャネルより少ない時点）となった録音のための完全な1を使用することをお勧めします。 ：詳細については、ブレインストーム源推定のチュートリアルを参照してくださいhttp://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation 。
    8. 件名と選択」をコンピュ右クリックして、ソース·モデルを計算するE源モデル」。
    9. 対象を右クリックして、深さ加重最小ノルム推定を使用し、「計算元」と「最小ノルム推定」を選択逆ソリューションを計算します。注：その他のオプション（DSPM、sLORETA）をご利用いただけます。各オプションは、異なる利点と欠点があります。このアルゴリズムは、 先験的な考慮事項であり、文献に以前の報告に基づいて選択する必要があります。他のものは広く普及活性化に適しているのに対し、また、いくつかのアルゴリズムは、特定の領域に焦点活性化を解決するのに優れている。 MNEは、文献16の前の報告に基づいて、この研究のために使用した。一貫性を保つため、逆ソリューションの同じアルゴリズムがある研究では、すべての参加者のために使用されるべきである。研究者はまた、別の逆解法アルゴリズムの適用にどれだけ堅牢な調査結果を比較することができます。
    10. 研究ではすべての参加者については、第3繰り返します。注意：GRAのいずれかを使用参加者のための処理ステップを繰り返すphicalバッチ処理インターフェースやスクリプト。手順については、ブレーンストーミングの資料（参照http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScriptを ）。
    11. 処理メニューへの録音をドラッグし、「条件（被写体平均）で「「平均」とを選択することにより、参加者ごとの試験での平均ソースアクティビティ。
    12. 「プロセス2」を選択し、1ウィンドウに各条件をドラッグして、条件を比較してください。その後、設計に応じて、「テスト」と「スチューデントのt検定」や「スチューデントのt検定（ペア）」を選択します。多重比較を実行するには、「統計」メニューの結果の統計的な地図の表示に振幅と面積のしきい値を設定します。注：別の方法として、活性化マップは、SPM（にエクスポートすることができますhttp://www.fil。ion.ucl.ac.uk / SPM /）より詳細な統計分析のための（ http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12」） 。
    13. 関心のある領域のためのイベント関連の応答を計算します。 parcellationベースのROIのために、解剖学メニューで皮質表面上で右クリックしてFreeSurferのparcellationをロードして、「インポート·ラベル」を選択します。対応するファイルをナビゲートし、それをロードします。今、機能的なデータメ​​ニューの「スカウト」ペインでROIを選択します。
    14. プロセス1ウィンドウにファイルをドラッグすることで、ROIイベント関連のアクティビティを取得し、ソースメニューから「スカウト時系列を抽出します」を選択します。注意：いくつかのROIを同時に選択することができ、投資収益率の時系列は、スカウトの時間を右クリックして、さらにプロットや分析のためにエクスポートすることができます系列データと選択」をMATLABにエクスポート」。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

幼児や子供のためのERP実験を設計することが長いため、繰り返し実験を30に耐える彼らの限られた容量が、しばしば困難である。正確なソースの再構築が1。1のディスプレイに非常に幼い子供と一緒に使用することができ、顔処理機構の調査のための実験プロトコールを図高い信号対雑音比を必要とするので、実験者が、ソース再構成を適用することを計画すると、この問題はさらに悪化する。パラダイムは、子供が大人のボランティアは、B）間刺激間隔の後の​​注意グラバーを追加することで、実験をより魅力的にするよりも、目の動きを制御しにくいことができるようになりますので、A）、刺激提示中にまばたきや眼球運動を最小限にするようになっている。瞬き及び眼の動きは画面​​の中央に注意を引くために、ダウンロードが刺激する前に、固定断面を提示することによって制御される。さらに、刺激の継続時間目の動きで画像をスキャンするための時間を最小限に抑えながら、刺激の意識的知覚を可能にする500ミリ秒に設定されている。注目グラバー同時音が提示子供に優しいイメージで構成されています。別の注目グラバー刺激のランダム選択は、子供のための興味深いタスクを維持するために使用することができる。次の試験では、それは子供が再び画面の中心を見ている監視システムから明らかである場合、実験者によって開始することができる。また、物語はそれ以上の年齢の子どもたちが画面に出席するために使用することができます。これは、脳波記録は、子タスクを理解していることを確認する前に、子供たちとの作業を練習すると便利です。練習で得たスクリーニング質問やスコアは、後の分析において共変量として使用することができます。

実験に必要な繰り返し数を計算する場合、それは多くの臨床試験が原因oを不注意に失われる可能性があることを考慮することが重要であるR運動アーティファクトの子供を扱う。経験則として、繰り返し、必要な数は、成人の研究に比べて倍増したり、参加者の大きな数を募集する必要があります。集中力や協力は、大人に比べて子供の限られている。タスクを設計する際にはそのため、念頭に置いて子供たちの特定のニーズを保つ。時間のかかる作業とは、間に休憩と短いタスクのいくつかのブロックに分けることができます。彼らは多くの刺激条件に対して十分な試験を得るために必要な長期間協働することができないように、典型的には、実験に含めることができる条件の数は、非常に若い子供のために小さい。

記載されている数値は、6歳の男の子（6年3ヶ月）の記録に基づいている。頭部モデルは、6歳児の平均のMRIテンプレート31に基づいていた。 図5は、顔刺激に直面し、スクランブルするために、チャネルレベルのイベント関連電位応答（ERP）を示している。 WA後部チャネルを介してERPのveformは陰性波とその後の広範囲の正偏差が続く正振れの予想されるパターンを示している。地形、時間経過とパラダイムの性質に基づいて、これらの偏向は、P100、N1と後期陽性の可能性の成分を表す可能性が高い。さらに、初期の負のたわみは、スクランブルの顔と比べて顔刺激のためにかなり大きい。したがって、特定の顔N170成分を反映している可能性が高い。 図5の地形図は、250と300ミリ秒の間の電圧分布を示す。顔の状態で右後頭側頭チャネルを介した最大の負電圧は明らかである。

図6は 、標準的な成人の頭部モデルと年齢に適した頭部モデルに基づいて投影ソースアクティビティの統計的比較を示す。ソースの再構築は、加重深みのある境界要素モデル（BEM）に基づいていたV. 3.1 32ブレインストームの最小ノルム推定（wMNE）とフルノイズ共分散行列。デフォルトMNI Colin27 BEMは大人のモデルとして使用した。ソースアクティビティは、チャンネルレベルでの顔の特定の応答に沿って250と300ミリ秒の間で時間をかけて平均した。

マップは、偽発見率（FDR）を用いて多重比較に関して補正面と面スクランブル状態との間でスチューデントのt-検定の比較の結果を示す。結果は、スクランブルの顔の条件に比べて顔中の側頭葉の上有意に強いソースの活性化を示している。年齢に適したモデルを使用してローカリゼーションは、側頭皮質の腹面に強いが異なる複数の焦点である。大人の頭部モデルに基づいた局在化は、より分散され、年齢に適した頭部モデルに基づいてマップ上の大部分が存在せず、右内側と上側頭回にソースアクティビティの違いを示しています。

図1

図1。実験は顔やスクランブル顔の画像の視覚的な表現で構成され、広い年齢層の上、適切な顔知覚実験の例 。刺激は、物理的に同一であるが、空間的な配置がスクランブル状態でランダム化されます。各試験は、刺激呈示中に目の動きを最小限に抑えるための固定クロスの中心のプレゼンテーションから始まります。固定クロスプレゼンテーションの持続時間は、複数の反復にわたって同調の影響を避けるためにランダム化される。刺激が500ミリ秒の期間にわたって示されている。短い期間では、プレゼンテーションウィンドウ中に眼球運動の可能性を最小限に抑えることができます。注目度抜群刺激は1秒と2秒の間のランダムな期間を持つ間の試用期間の後に提示される。にtentionグラバーは、シーケンス内の非係合材料の多くの臨床試験に参加しそうにない非常に若い参加者のために特に有用である。実験は、参加者が注目グラバーに応じて画面上で見ているとき、次の試行を開始することができます。

図2
図2。しきい値除去アルゴリズムのダイアグラムを流れる 。アルゴリズムは、設定された閾値に、各エポック内の各EEGチャネルの最大値とを比較する。チャンネルがしきい値を超える最大活性が含まれている場合、チャネルは不良とマークされます。チャネルの20％以上が所与のエポックに悪い場合、エポックは拒否される。エポック除去した後、各チャネルにおける最大活性が再び閾値と比較される。チャンネルはすべてエポックの30％以上でのしきい値以上のアクティビティが含まれている場合は、チャネルが拒否され。チャンネルの20％以上は、この手順によって拒否されたり、条件ごとのエポックの50％未満がエポック拒否後に残っている場合は、データセットは、さらなる分析から除外されるべきである。 この図の拡大版を表示するには、こちらをクリックしてください。

図3
図3より高速なツールボックス28を使用した自動アーティファクト補正 。図は、この資料に記載されセットアップと処理パイプライン、より高速のツールボックスを使用するように変更する必要があるオプションを示しています。データセットは、すでに2フィルタリングされているため、1フィルタリング、無効にする必要がありますチャネルの数を調整する必要があります。この記事で使用したEEGシステムは、126チャンネルがあり2 EOGチャンネル。3。時刻文字列のセル配列。4として指定する必要をロックするためのイベントマーカー。事象関連応答のための時間窓を供給する必要がある。これは、以前のepoching工程で用いるウィンドウと同一でなければならない。5。ユーザは、独立成分分析（ICA）のためのチャネルを定義しなければならない。ほとんどの場合、これはすべてのEEGチャネルおよび眼チャネル（EOG）のような当該外部チャネルを含むであろう。6。眼チャンネルのインデックスを使用してもEEGシステムに調整する必要がある。記載されたEEGシステムの場合、これらのチャネル125と128になります。 この図の拡大版を表示するには、こちらをクリックしてください。

図4
Fiのグレ4。ブレインストーム32におけるソース解析を。1。脳波データセットとFreeSurfer面をインポートした後、境界要素モデル（BEM）は「ソース」メニューの「計算の頭部モデル」を選択することで計算することができます。2。ノイズ共分散行列「計算ノイズ共分散」を選択して記録から計算することができる。記録はセンサよりも十分に長い、 すなわち複数の時点であれば、完全な共分散行列は、特に対角行列が推奨され、計算することができる。3。頭部モデルとノイズ共分散行列を計算した後、逆溶液を得ることができる。異なるアルゴリズムを使用してもよい。深加重最小ノルム推定（wMNE）アルゴリズムは、この記事のために使用された。4。関心領域（ROI）のソース活動の時間経過は、「スカウト時系列を抽出し、「Fを選択することにより、抽出することが可能 「ソース」メニューをROMをFreeSurfer自動皮質parcellationからのROIは、この例のために使用された。 この図の拡大版を表示するには、こちらをクリックしてください。

図5
一時的なチャネルを後頭右の上の顔の刺激に直面し、スクランブルするために、図5。事象関連電位応答（ERP）。ERPは、スクランブルの顔と比べて顔のための右側に刺激開始後130〜220ミリ秒の間でより多くの否定的な偏向を示しています。これらのプロパティは、N170成分の約33以前の報告と一致している。 この図の拡大版を表示するには、こちらをクリックしてください。

ove_content「FO：キープtogether.withinページ= "常に"> 図6
図6。デフォルトの大人の頭部モデルと適切な頭部モデルの間で音源定位の比較図の一番上の行は、平均のFreeSurferのparcellationに基づいて、左と年齢に適した頭部モデル上MNI大人の境界頭部モデルcolin27を示しています右の6歳の子供のためのMRIテンプレート。 coregistered電極位置の位置も示されている。記録は6歳の男の子（6年3ヶ月）から入手した。偽発見率（FDR）を使用して、複数の比較のために修正さt検定に基づいて、スクランブルの顔の状態に比べて顔中の多国籍企業のソース再建の活性化マップ間の統計比較の第3行目の結果を示す。カラーマップは、高い活性を示す赤と効果の大きさを示している顔の状態でスクランブル顔条件でより高い活性を示す青い。全く振幅やサイズのしきい値が適用されなかったことに注意してください。ローカリゼーションは、大人のBEMと比べて年齢に適した頭部モデルを用いて、時間的なポールの腹面にもっと焦点が表示されます。 この図の拡大版を表示するには、こちらをクリックしてください。

図7
図7。顔に応じて、右紡錘状回のソースERPとソースERPはさらに表示多国籍企業との年齢に適した境界要素法を用いて、6歳の男の子（6年3ヶ月）から得られた記録のソース再構成に基づいて顔をスクランブル Sに比べて顔の状態で刺激開始後250ミリ秒の周り陰性波crambled条件に直面している。この活動は、顔の状態のN170成分と右紡錘状回の寄与を反映している可能性が高い。

<TD>
ステップ1.1の入力説明
input_image =関数imread（ '/ユーザ/ some_user /画像/ example.jpeg'）; ％画像を読み取る
gray_image = rgb2gray（input_image）; グレースケールにRGBから転送％
名前を付けて保存（gray_image、 'grey_image.tiff'） 新しいイメージを保存％
ステップ1.2の入力説明
コー​​ド例：
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％のハウスキーピング
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
CLC ワークスペースから％のクリア変数
すべてをクリア
すべて閉じ低遅延モードにオーディオドライバの設定％
InitializePsychSound（[0]）;
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％変数
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
input_folder = 'C： DocumentsとSettings ERPのラボユーザーはマイドキュメントは、MATLAB Faces_Houses を '; 作業ディレクトリを定義％
netstation = 1;
％これはNetStation脳波記録ソフトウェアとの通信を切り替え
％試行回数を定義する
no_of_trials = 80; ％betw持ち運びに便利なキーボード名を統一EEN UNIXとPC版
KbName（ 'UnifyKeyNames'） エスケープキーを押すための変数を定義％
escapeKey = KbName（ 'ESCAPE'）;
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％負荷刺激
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
face_directory = strcatは（ 'C： DocumentsとSettings のERPラボのユーザーは MATLAB Faces_Houses顔 マイドキュメント'）; 刺激画像のあるフォルダを供給％
ファイル= DIR（face_directory）; ％はすべての絵刺激のリストを生成する
顔= {files.name};
面（1:2）= [];
グラバー= DIR（ '/ユーザ/ joebathelt / Dropboxの/ preterm_oddball /グラバー/'）; </ TD>
グラバー= {grabbers.name};
グラバー（1:2）= [];
grabber_sounds = DIR（ '/ユーザ/ joebathelt / Dropboxの/ preterm_oddball / /サウンドを'）;
grabber_sounds = {grabber_sounds.name};
grabber_sounds（1:2）= [];
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％実験開始
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
netstation == 1の場合; NetStation（ '接続'、'194 .82.245.131 '、'55513'） レコーディング·ソフトウェアと％の同期
NetStation（ '同期'、10） 精度の10ミリ秒以内％同期
NetStation（ 'StartRecording'） ％録音を開始します
終わり
％画面の設定
screennumが= 0; プレゼンテーション画面の％識別番号
刺激提示用のウィンドウを定義％
[display.w、display.rect] =画面（ 'OpenWindow'、screennumが、0）;
[WPTR、RECT] =画面（ 'OpenWindow'、screennumが）; ％マウスカーソルを非表示にする
HideCursor;
黒= BlackIndex（WPTR）; ％の黒に背景を設定する
画面（ 'FillRect'、WPTR、黒）; ％テキスト表示用のフォントとフォントサイズを規定する
画面（ 'TextFont'、display.w、 'MS Pゴシック'）;
画面（「文字サイズ」、display.w、32）;
画面（ 'TEXTSTYLE'、display.w、0）;
no_of_trials：I = 1のために
FlushEvents
ランダマイザ=ランディ（2）;
％ランダムに注目グラバー写真を選ん
attention_grabber =関数imread（strcatは（input_folder、「グラバー/ '、cell2mat（グラバー（ランディ（長さ（グラバー））））））;
[サウンド、FS、nbits]形式= wavreadは（strcatは（input_folder、「聞こえる/ '、cell2mat（grabber_sounds（ランディ（長さ（グラバー））））））;
audio_handle = PsychPortAudio（ 'オープン'、[]、[]、0、FS、長さ（音（1、:)））;
'=音を鳴らす。 ％ランダムに注目グラバー音を選択する
PsychPortAudio（ 'FillBuffer'、audio_handle、音）;
％は、音声プレゼンテーションを設定する
刺激= strcatは（face_directory、（ランディ（長さ（面）））直面している）;
刺激=関数imread（cell2mat（刺激））; ％これは顔のプレゼンテーションをランダム化し、顔をスクランブル
ランダマイザ== 2の場合; ％ランダムに刺激のリストから選択された刺激をロードする
刺激=刺激（randperm（長さ（刺激（：、1）））、randperm（長さ（刺激（1、:)）））;
終わり裁判がスクランブル裁判であれば％、刺激行列をスクランブルする
STIM =スクリーン（ 'MakeTexture'、WPTR、ダブル（刺激））; ％刺激
提示のための刺激を調製％
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％トライアル
％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％％
％このセクションでは、初めての試みでのみ利用可能です
I == 1の場合;
[NX、NY、ボックス] = DrawFormattedText（WPTR、 'プレス開始時に任意のキー'、 '中央'、 '中央'、[255 255 255]）;
画面（ 'FrameRect'、WPTR、0、ボックス）;
[VBLTimestamp StimulusOnsetTim] =画面（「フリップ」、WPTR）; キーが押されるまで％初の試みのために、テキスト "を押して起動する任意のキー"が表示される
KbWait（[]、2）;
[NX、NY、ボックス] = DrawFormattedText（display.w、 ''、 '中央'、 '中央'、255）; ％空白の画面
画面（ 'FrameRect'、display.w、0、ボックス）; [VBLTimestamp StimulusOnsetTim] =画面（「フリップ」、WPTR）;
終わり
％固定クロス
[NX、NY、BBOX] = DrawFormattedText（WPTR、 '+'、 '中央'、 '中央'、255）;
画面（ 'FrameRect'、display.w、0、BBOX）;
[VBLTimestamp StimulusOnsetTim] =画面（「フリップ」、WPTR）; 固定クロスとして画面中央の白いプラス記号を準備％
netstation == 1の場合; ％固定のクロスを提示
NetStation（ 'イベント'、 'フィックス+'、StimulusOnsetTim）終了
％の固定クロスプレゼンテーションのタイムスタンプおよび脳波記録ソフトウェアコード「+修正」でトリガを送る
0.15％と0.2秒の間のランダムな期間に固定クロスのプレゼンテーション時間を制限する
％刺激顔やスクランブル顔刺激を提示％
画面（ 'DrawTexture'、WPTR、STIM）;
[VBLTimestamp StimulusOnsetTim] =画面（WPTR、 'フリップ'）;
netstation == 1の場合; タイムスタンプとコード「顔」や脳波記録ソフトウェア 'SCRAの顔でトリガを送る％
ランダマイザ== 1の場合;
NetStation（ 'イベント'、 '顔'、StimulusOnsetTim）
ELSEIFランダマイザ== 2;
NetStation（ 'イベント'、 'SCRA'、StimulusOnsetTim）
終わり
終わり
WaitSecs（0.5） 500ミリ秒％の限界刺激持続時間
空白の画面を提示し％
[NX、NY、ボックス] = DrawFormattedText（WPTR、 ''、 '中央'、 '中央'、255）; ％空白の画面
画面（ 'FrameRect'、WPTR、0、ボックス）;
[VBLTimestamp StimulusOnsetTim] =画面（「フリップ」、WPTR）;
WaitSecs（1 +ランド（1）） 1と2秒の間のランダムな期間を持つ％間トライアル間隔
％注意グラバー ％音で注意グラバーを提示
画面（ 'DrawTexture'、WPTR、グラバー）;
鳴り= PsychPortAudio（「スタート」、audio_handle、15、0、1）;
[VBLTimestamp StimulusOnsetTim] =画面（ 'フリップ';、WPTR）;
netstation == 1の場合;
NetStation（ 'イベント'、 'GRBR'、StimulusOnsetTim） ％脳波記録ソフトウェアに注目グラバーのためのタイムスタンプとコードを送信
終わり
キーボードのキーが押されるまで％注意グラバーとサウンドを提示
KbWait（[]、2）;
PsychPortAudio（ 'ストップ'、audio_handle）;
画面（ 'FrameRect'、display.w、0、ボックス）; エスケープキーが押された場合は、％、実験を中止
[VBLTimestamp StimulusOnsetTim] =画面（「フリップ」、WPTR）;
[keyIsDown、timeSecsキーコード] = KbCheck;もしkeyIsDown
もしのkeyCode（escapeKey）
SCA
NetStation（ 'StopRecording'）
リターン
終わり
終わり ％実験を終了し、実験終了時に脳波記録を停止
終わり
画面（ 'のCloseAll'）;
netstation == 1の場合;
NetStation（ 'StopRecording'）
終わり
ステップ3.1.1のための入力説明
OUTEEG = pop_eegfilt（INEEG、0.1、[]）; ％OUTEEG =脳波すなわち 、フィルタリング後のデータ。関数の出力
フィルタリングの前％INEEG = EEGデータ、 すなわち機能入力
％0.1：高域カットオフ周波数
％[]：低域カットオフ、未定義のハイパスフィルタは、所望されるので、
ステップ3.1.2のための入力説明
OUTEEG = pop_eegfilt（INEEG、[]、30）; ％[]：高域カットオフ、未定義のローパスフィルタが要求されるため、
30％：ローパスカットオフ周波数
ステップ3.1.3のための入力説明
OUTEEG = pop_epoch（INEEG、 'イベント'、{'顔'、 'SCRA'}、[-0.2 0.6]）; ％Epoching
％ 'イベント'、{'顔'、 'SCRA'}：関数はマーカーをロックする時間として、トリガ·イベントの顔」と「SCRA 'を使用するように言われている。これらのトリガーは、顔の発症とスクランブル顔STIをマークするために、実験スクリプトで定義されていたmulusプレゼンテーション発症。
％[-0.2 0.6] = 0.6秒までの時間ロックイベントの前に0.2秒からERPのための時間窓
OUTEEG = pop_rmbase（脳波、[-0.2 0]）; ベースラインを削除する％
％[-0.2 0]：イベントのロックときどきロックイベントの前に、ベースラインの時間窓、 すなわち 0.2秒
ステップ3.1.4のための入力説明
関数[EEG] = threshold_rejection（脳波、しきい値） ％関数定義、関数は脳波データセットの構造とμVしきい値を必要と
J = 1:2のため
I = 1の場合：長さ（EEG.data（1,1、:)） ％このループは、指定されたEEGデータセット内のすべてのエポックを通過
データ= EEG.data（：、：、I）;
データ=データ - 平均値（データ、2）; 目を引い％E振幅シフトの影響を避けるための活動を意味する
最大値= MAX（ABS（データ '））'; すべてのチャネルでの最大の絶対アクティビティを識別する％
bad_channels =最大値>しきい値;
channel_rejection（：、I）= bad_channels;
もし和（bad_channels）> 0.2 * 128 チャンネルの20％以上がしきい値を超えている場合は％は、エポックは、拒絶反応のためにマークされている
epoch_rejectionは、（i）= 1;
ほかに
epoch_rejectionは、（i）= 0;
終わり
終わり
J == 1の場合; ％が不良としてマークされていないだけエポックを選択
脳波= pop_select（脳波、「トライアル」、（epoch_rejectionは== 0）を見つける）
ほかにチャネル除去のためのエポック拒否後のエポックの20％以上に悪い％のマークチャンネル
bad_channels =平均（channel_rejection、2）> 0.2;
脳波= pop_interp（EEGは、見つける（bad_channels == 1）、 '球面'）; ％の不良チャンネルに球状の補間を適用する
終わり
終わり
ステップ3.1.5のための入力説明
脳波= pop_reref（脳波、[]）; ％は、平均基準を計算
ステップ3.2.1のための入力説明
チャネル= {「E84」、「E89」、「E90」、「E91」、「E94」、「E95」、「E96 '}; ％右N170 ％128チャンネル測地ハイ用チャンネルラベルを使用して、N170応答の右半球の％の％後頭側頭チャンネルdrocelセンサネット
脳波= pop_select（脳波、 'チャンネル'、チャンネル）; ％チャンネルの選択
Virtual_channel =平均（EEG.data、1）; 仮想チャネルに個々のチャネルを組み合わせる％
ステップ3.3.2のための入力説明
N170_peak = MAX（ABS（（averaged_ERPs（0.13 * SRATE +0.2 * SRATE：0.2 * SRATE +0.2 * SRATE）、[]、2））; μVの各参加者のための待ち時間がウィンドウ内の％の最大振幅
N170_peaklatency = 1000 *（（averaged_ERP（0.13 * SRATE +0.2 * SRATE見つける：0.2 * SRATE +0.2 * SRATE）== N170_peak）+ 0.2 * EEG.srate + 0.13 EEG.srate）。/ EEG.srate ミリ秒の％ピーク潜時
N170_mean =平均（averaged_ERPs：0.13 * SRATE +0.2 * SRATE：0.2 * SRATE +0.2 * SRATE）、[]、2）; ％平均振幅μV

表1。MATLABは、目を実装するためのコマンドE実験例およびチャネルとソースレベルでの高密度EEG記録を分析します。表には、顔を実装するコードをまとめたもので、VS顔の実験例をスクランブル。さらに、事前に生の脳波を処理するためのコードが提示されている。また、事象関連応答のチャネルレベルの分析のための波形特性を抽出するための方法が示されている。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

本稿では、年齢の子供に適し標準のERPパラダイムの適切な平均のMRIテンプレートと深さは、重み付け最小ノルム推定に基づく境界要素モデルを用いて皮質発電機の再構築のための高密度脳波の記録と分析について説明します。このパラダイムでは、顔とスクランブル顔の画像が提示されています。別々の著者は、開発35以上の顔処理メカニズムの開発を調査するために、このパラダイムを使用していました。チャネルレベルでは、一時的なチャネルを後頭右をより負のたわみは、スクランブル顔状態に顔条件に記載されている。地形、待ち時間及び応答特性は、N170成分34と一致している。以前のソースと同時脳波fMRIの調査は、紡錘状回がN170反応の可能性が高い発電機であることを報告している。現在の分析の結果は、深さ重み付けされた境界を有するそのソース反転を示す要素モデル（BEM）は、個々の参加者のレベルに顔スクランブル顔パラダイムにおける紡錘状回でソースアクティビティをローカライズするために使用することができます。個々の参加者の解剖学や年齢、適切の使用に基づいて頭部モデルを使用することは、個々の解剖を使用できないの発達研究のための解剖学的スキャンを平均化最も正確な音源定位2のようになります。また、関心領域は、特定の皮質領域の事象に関連する応答を調査するために解剖学的知識または自動parcellationアルゴリズムに基づいて同定することができる。

ソースの再構築には、いくつかの制限事項は、現時点では、特に発達のサンプルにあります。まず、年齢別の平均テンプレートに基づいてソースの再構築は、個人が必ずしも特に患者群では、真実ではないことがあり、その暦年齢のための典型的な脳の発達を示していることを前提としています。のためにたとえば、種々の研究は、自閉症37で早産36や子供の生まれた子供のための脳の成長における非定型軌道を説明した。なお、これらの解剖学的な違いは、逆溶液および非定型典型的な対照群間の比較のバイアス結果の精度に影響する方法を推定することは困難である。

第二に、このような境界要素モデル（BEM）などの順方向のモデルは灰色と白質の違い、 例えば 、区画内導電率の不均一性を内蔵していません。皮質下のソースの確度は、したがって、制限されています。ソースソリューションは、その理由で皮質源に制限されていました。有限要素モデルは、皮質下の発電機のより正確な解決のために適用することができる。皮質に制限のソリューションと、それは心に留めておくことは重要である皮質領域での活性化は、 例えば 、視床ループを介したフィードバック通信を基礎と皮質下の原因となるメカニズムを反映している可能性があること。より複雑なモデルが現在、一般的な成人の解剖学、 例えば 、ダイナミック因果モデリング38,39でのみ利用可能であることに使用されない限り、皮質領域の関与について因果推論が制限されています。

さらに、境界要素モデルは、各区画のために閉じられたシェルを想定しています。しかし、乳児は頭蓋骨との間に縫合糸が完全に15をマージしていない彼らの頭蓋骨内のソフトのスポットを持っています。 BEMの仮定のこの違反は厳しく2歳未満の乳児におけるBEMSとソース再建の適用可能性を制限します。有限要素モデルは、この年齢範囲内のソース再構築のために使用することができる。

第三に、年齢に適した頭部モデルは、ソース再構築のために使用したにもかかわらず、成人のサンプルに基づいて導電率の値は、各区画内に導電性をモデル化するために使用した。しかしながら、組織の導電率は、 例えば 、現像にわたって変化する可能性が高いスルー骨密度が15に増加する。人間の幼児と子供のためのBEMSで使用される組織タイプのための伝導率の値は、現在、我々の知識では使用できません。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

この記事の出版費用は電気測地線株式会社が主催し、

Acknowledgments

私たちは、私たちに発達のMRIデータベースで親切な議論へのアクセスを許可するための教授、ジョン·リチャーズ、サウスカロライナ大学を、感謝したいと思います。当社はまた、当社の資金提供者グレートオーモンドストリートチルドレンのチャリティー、UCLインパクト＆グランドチャレンジに感謝したいと思います。

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

行動号88、脳波、脳波、開発、ソース解析、小児、最小ノルム推定、認知神経科学、事象関連電位
子供高密度脳波記録の皮質ソース解析
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