Cortical Kilde Analyse af high-density EEG optagelser i børn

Summary

I de senere år har der været stigende interesse for at estimere de cortikale kilder hovedbunden målte elektriske aktivitet for kognitive neuroscience eksperimenter. Denne artikel beskriver hvordan high density EEG er opnået, og hvordan optagelserne behandles for kortikal kilde estimation i børn fra 2 år på London Baby Lab.

Abstract

EEG er traditionelt beskrevet som en Neuroimaging teknik med høj tidslig og lav rumlig opløsning. Nylige fremskridt inden for biofysisk modellering og signalbehandling gør det muligt at udnytte oplysninger fra andre billeddiagnostiske metoder såsom strukturel MRI, der giver høj rumlig opløsning til at overvinde denne begrænsning ^1. Dette er især nyttigt for undersøgelser, der kræver høj opløsning i timelige såvel som rumlige domæne. Desuden, på grund af den lette anvendelse og lave omkostninger af EEG optagelser EEG er ofte den valgte metode, når der arbejdes med befolkningsgrupper, såsom børn, der ikke kan tåle funktionel MRI scanner godt. Dog med henblik på at undersøge, hvilke neurale substrater er involveret, anatomiske oplysninger fra strukturelt MR stadig behov. De fleste EEG analyse pakker virker med standard head modeller der er baseret på voksen anatomi. Nøjagtigheden af disse modeller, når det anvendes til børn er begrænset ^2, because the composition og rumlige konfiguration af hoved væv ændringer dramatisk i løbet af udvikling ^3.

I den nuværende papir, giver vi en oversigt over vores seneste arbejde i at udnytte head modeller baseret på individuelle strukturelle MRI-scanning eller aldersspecifikke head modeller at rekonstruere de kortikale generatorer af high density EEG. Denne artikel beskriver hvordan EEG optagelser erhverves, behandles og analyseres med pædiatriske populationer på London Baby Lab, herunder laboratorium setup, opgave design, EEG forbehandling, MRI behandling, og EEG-kanal niveau og kilde analyse.

Introduction

Præsident Barack Obama beskrev den menneskelige hjerne som den næste grænse for videnskabelig opdagelse med stor betydning for sundhed og økonomi ³ (http://www.whitehouse.gov/share/brain-initiative). Men ligesom alle andre områder inden for naturvidenskab, neurovidenskab afhænger fremskridt i metoder og analyseteknikker til fremskridt. To almindeligt anvendte ikke invasive værktøjer i undersøgelser om hjernens funktion hos mennesker er magnetisk resonans imaging (MRI) og electroencefalografi (EEG). Disse værktøj udnytte de forskellige fysiske egenskaber og giver forskellige indsigt i hjernens funktion med unikke fordele og ulemper. MRI anvender de magnetiske egenskaber af vandmolekyler i magnetiske felter til at opnå billeder af levende væv. Emnet skal placeres i en magnet med høj feltstyrke. Deltagerens bevægelse er begrænset i løbet af denne procedure, og deltageren har at tolerere støj forårsaget af hurtige ændringer i den magnetiskefelt. Ud over strukturelle motiver MR giver også mulighed for at måle ændringer i blodets iltning at undersøge hjernens funktion (fMRI). Sammenfattende MRI tilbyder relativt høj rumlig opløsning på op til 0,5 mm ³ med moderne høje felter scannere og optimerede parametre ^4. I modsætning hertil, er den tidsmæssige opløsning fMRI er begrænset til de langsomme kinetik BOLD respons, som kun indirekte afspejler de høje tidsmæssige dynamik af neurale aktivitet ^5,6.

På den anden side, EEG måler ændringer i elektrisk aktivitet forårsaget af aktiviteten af ​​neuroner via elektroder placeret på hovedbunden. Nylige fremskridt i EEG-teknologi giver hurtig og nem anvendelse af sensorerne for kort eller lang sigt og stationær såvel som ambulant optagelser. Fordi EEG er mindre restriktiv, er det også den foretrukne metode for visse deltager populationer, der ikke tåler MRI miljø godt lide pædiatriske og vissegeriatriske og psykiatriske populationer. Egenskaberne af EEG viser en omvendt mønster til de af MR: den tidsmæssige opløsning er meget høj med millisekund præcision, men den rumlige opløsning er begrænset. Elektriske strømme passerer gennem forskellige væv mellem deres generator og EEG-elektroder på overfladen af ​​hovedbunden. Dette fører til blanding og rumlig udtværing af kilde aktivitet kendt som volumen overledning effekt. Derfor aktivitet målt ved elektroderne på overfladen af hovedbunden afspejler aktivitet fra flere kilder, som kan være fjernt til positionen af elektroden på hovedet ^1,7.

Meget arbejde i de seneste år har været dedikeret til sammenlægning af MR og EEG med henblik på at drage fordel af deres respektive styrker. En linje i arbejde er dedikeret til den samtidige erhvervelse af EEG og MR i funktionelle studier. En anden metode er at bruge den rumlige oplysninger fra strukturel MRI til at tage hensyn til den mængde conduction effekt gennem biofysisk modellering. Brugen af ​​strukturel information til kilde rekonstruktion af EEG optagelser er især nyttigt for undersøgelser, der involverer en pædiatrisk population. Undersøgelsen af udviklingen af hjernens funktion er central for at forstå, hvordan komplekse kognitive færdigheder er bygget oven på simple forstadier ^8.

Disse undersøgelser bidrager til at synliggøre forandringer i de neurale substrater og respons egenskaber, der korrelerer med ændringer i adfærdsmæssig præstation. Men den undersøgelse af hjernens funktion og kognition under udvikling stiller også specifikke udfordringer. Især er muligheden for funktionel MRI undersøgelser begrænset, da små børn og spædbørn enten nødt til at være i søvn eller bedøvet at opnå MRI data uden bevægelse artefakter og negativ indvirkning på deltager velvære. Endvidere er EEG opfattet som mindre risikabel og invasive af forældre, hvilket gør rekrutteringen af ​​forskning deltagere lettere. Therefore, EEG er den foretrukne metode for mange undersøgelser af hjernens funktion hos små børn. Metodologiske fremskridt i EEG-systemer tillades anvendelse af high density elektrode arrays med 128 eller flere kanaler inden for få minutter. Nem ansøgning og komfort er tilstrækkelige til at endda give EEG optagelse i de yngste spædbørn. Men ofte forskere er ikke kun interesseret i den tidsmæssige dynamik reaktioner på bestemte stimuli, men vil også gerne sammenligne de neurale substrater, der formidler svarene.

En fremherskende antagelse i kanal niveau ERP analyse og sammenligne forskellige aldersgrupper er, at de samme neurale substrater reagere, men at timingen eller responsamplituden varierer på tværs af aldre ^9. Lignende hovedbund topografi er ofte brugt som en indikator for lignende underliggende neurale aktivitet. Dog kan mange forskellige source konfigurationer føre til lignende hovedbund topografi ^10. Ved at anvende kilde estimering dette Uncertainty kan reduceres og kvantificeres. Uafhængigheden af ​​observationerne er kritisk for netværkskonti af hjernens funktion: hvis kilderne er blandede, sammenhænge vil blive forudindtaget mod højere lokal tilslutning. Kilde genopbygning kan anvendes til at reducere denne skævhed ^11. Alternativt kan anvendes forskelle i timing og fase til tilslutning analyse, men disse matematiske modeller kræver antagelser, der er svære at vurdere i ikke simulerede data ^12. Sammenfattende kilde estimering giver yderligere oplysninger til kanal niveau EEG og ERP analyse baseret på viden om anatomi og biofysiske egenskaber væv.

Forskellige algoritmer er blevet udtænkt for at finde løsninger på den inverse problem. Disse algoritmer falder stort set i to kategorier: parametriske og ikke parametriske ^13. Parametriske modeller antage en eller flere dipoler, der kan variere i placering, orientering og styrke. I modsætning, ikke parametriske modeller containa stort antal dipoler med fast placering og orientering. I disse modeller er hovedbunden elektriske aktivitet forklares som en kombination af aktiveringer i de faste dipoler ^10,13,14. Ikke parametriske kan distribueres source modeller være baseret på viden om anatomi og ledningsevne i forskellige medier. Boundary Element Modeller indarbejde ledningsevne værdier for de vigtigste væv i hovedet med forskellige skaller til hjernen, cerebrospinalvæsken og kraniet. Dette er baseret på den antagelse, at ledningsevne er hovedsagelig konstant inden for hvert rum, men at markante ændringer forekommer ved ydergrænsen af ​​forskellige rum. Finite element modeller er baseret på yderligere segmentering af MR-scanninger i grå og hvid substans, så ledningsevne værdier kan tildeles hver voxel ^15.

I praksis ikke parametriske modeller er især nyttige for kilde genopbygning i komplekse kognitive opgaver, hvor antallet af berørte områder kanikke være kendt ^10.. Boundary element modeller er mest udbredt i den aktuelle litteratur, sandsynligvis fordi de mere præcise Finite Element-modeller udgøre sammenligneligt høje beregningsmæssige krav. Endvidere er der en betydelig inter individuel variation i grå og hvid substans, så fems bør være baseret på de enkelte MR-scanninger.

Ikke parametriske modeller kræver et andet trin til at matche hovedbunden målte aktivitet til forudsigelser af den forreste model. Igen har forskellige tilgange med forskellige fordele og ulemper er blevet diskuteret i litteraturen (se Michel et al. 2004 for en oversigt). De mest udbredte algoritmer er baseret på minimum norm estimering (MNE), hvilket passer hovedbunden målte aktivitet til en aktuel fordeling i fremad modellen med den laveste samlede intensitet ^16. Multinationale er forudindtaget mod svage og overfladiske kilder. Dybde vægtede multinationale algoritmer forsøge at reducere overfladen skævhed ved at indføre vægtningmatricer baseret på matematiske forudsætninger ^10. Den udbredte LORETA tilgang er også baseret på vægtet multinationale, men derudover minimerer Laplace kilder, hvilket fører til mere jævne løsninger ^17,18. LORETA har vist sig at udføre bedst for enlige kilder i Simuleringsundersøgelserne ^19,20. Dog kan LORETA føre til over udglatning af løsninger. Dybde vægtet multinationale er at foretrække, når kilderne er ukendte eller flere kilder vil sandsynligvis være til stede ^{13, 16.} Det anbefales at sammenligne resultaterne af forskellige algoritmer til at vurdere indflydelsen af ​​forskellige model antagelser.

Sammenfattende har kilde genopbygning gennem modelleringsmetoder været begrænset til børn indtil for nylig. Dette er fordi de fleste EEG analyse software er afhængig af head modeller baseret på voksen anatomi, der i væsentlig grad begrænser nøjagtigheden af source-løsninger hos børn ^2,8. Den billige adgang til datakraft og tilvejebringelse afbrugervenlig software til kilden genopbygning gør det muligt at overvinde disse begrænsninger. Anvendelse kilde estimering til EEG giver to vigtige fordele i forhold analyse baseret på kanal niveau observationer alene: forbedret rumlig opløsning og uafhængighed af observationer.

Kilde estimering kan ikke være informativ i nogle tilfælde: Der kræves en god dækning af hovedet til at skelne kilder. High Density systemer med 128 eller flere elektroder anbefales ^10,15; en sparser dækning vil fungere som et rumligt filter, der fører til spredning kilde aktivering mere brede eller falsk negative resultater ^10. Endvidere har kilde rekonstruktion baseret på beskrevet i denne artikel metode kun blevet rapporteret for corticale generatorer. Derfor er det mindre egnet til test hypoteser om subkortikale substrater eller corticale subkortikale interaktioner. Endelig bør kilde analyse baseret på detaljerede forudgående hypoteser om de kortikale substrater,tager den eksisterende litteratur fra andre billeddiagnostiske modaliteter i betragtning. Rumlige filtrering teknikker kan også anvendes til at forbedre den rumlige opløsning af EEG-signal ved at reducere fysisk blanding på hovedbunden plan. Alternative metoder til at reducere indflydelsen af volumen overledning effekter uden hoved modellering bruges, f.eks Laplacian filtrering ²¹ eller strømkilde Density analyse ^22. Men disse metoder ikke give flere oplysninger om neurale generatorer som volumen ledningsforstyrrelser effekter er ikke kun begrænset til sensorer i tæt fysisk nærhed ^1..

I de følgende afsnit i artiklen beskriver, hvordan eksperimenter for undersøgelse af hjernen og kognitiv funktion hos børn fra 2 år er udformet på London Baby Lab. Dernæst EEG datafangst med høj massefylde lav impedans systemer med børn diskuteret. Derefter EEG forbehandling og analyse på den kanal niveau præsenteres. Lastly, artiklen fokuserer på behandlingen af ​​strukturelle MRI data for kortikal kilde rekonstruktion og analyse af kilde niveau signaler.

Protocol

1.. Designing EEG og event relaterede potentielle eksperimenter for børn

Bemærk: Et simpelt eksperiment var designet med henblik på denne artikel, som kan bruges til at undersøge ansigt forarbejdning i småbørn. I det følgende afsnit vil beskrive eksperimentet og forklare hvordan man gennemfører det i MATLAB R2012b og Psychtoolbox V3.0.11 ^23,24. Billeder taget fra NimStim sæt af følelsesmæssige ansigtsudtryk ²⁵ blev anvendt til dette eksempel. Dette sæt af stimuli er til forskningsformål efter anmodning ( http://www.macbrain.org/resources.htm ).

1. Overfør RGB billeder til grå skala at mindske forskellene mellem stimuli. Se tabel 1. Bemærk:. Disse kommandoer kræver Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Gratis alternativer kan findes through File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Brug eksperimentel kontrol software til at gennemføre forsøget med præcis timing for stimulus præsentation udløser ved hjælp af en række kommandoer (se tabel 1 for et eksempel).

2.. Dataopsamling

1. Sørg for, at barnet er komfortable med testmiljø. Tillad yngre børn til at sidde på skødet af deres pårørende eller i en behagelig barns sæde. Lad barnet se og føle sensoren netto før at anvende det til barnets hoved. Hvis der er en ekstra net, har den forælder også prøve en på, eller placere en på en dukke eller fyldte bamse.
2. Mål den maksimale hovedomkreds at vælge den rigtige net størrelse for barnet. Brug et målebånd og holde det til nasion. Derefter måle omkring hovedet omkring den største omkreds (~ 1cm over inion). Bemærk: føre en fortegnelse over det målte hovedomkreds og sensoren net bruges til senere analyse ^26. Det hjælper, hvis forældrene hoved også måles for at gøre børn mere komfortabel med situationen.
3. Identificer toppunktet af hovedet i skæringspunktet mellem midten afstanden mellem nasion og inion og venstre og højre periauricular punkt. Markér dette punkt med en porcelæn pen til at sikre, at toppunktet kanal er placeret korrekt, når de anvender nettet.
4. Sæt sensoren nettet og sørg for, at vigtige kanaler er afstemt med de anatomiske landemærker (nasion, Inion, Isse og venstre / højre mastoids). Bemærk: Til de mest nøjagtige resultater, kan positionen af ​​kanalerne på hovedet være digitalt erhverves ved hjælp af specielle digitalisering udstyr. Forskere ønsker at erhverve sensoren position bør henvise til de relevante hardware og software manualer. Alternativt elektrode kort, der antager standard placering af elektroder langs anatomiske landmarks kan anvendes. Disse kort kan blive skævt til alder passende head modeller, som beskrevet i analysen afsnit.
5. Sikre, at kanalerne har en god kontakt med hovedbunden ved at placere sensorerne enkeltvis; forsigtigt vride hver sensor fra side til side for at flytte hår ud af vejen.
6. Mål kanal gevinster og kanal impedanser. Klik på "Start" for at starte optagelsen i NetStation EEG optagelse software og begynde at vinde og impedans måling. Hvis målingen ikke starter automatisk, skal du bruge "Kalibrer Amplifier" og "Mål Net Impedanser" knappen.
7. Kontroller musikprogrammer til kanaler med impedanser højere end 50 kohm som vises rødt. Påfør yderligere elektrolyt-opløsning med en pipette til at sænke kanal impedanser. Kontroller EEG display for kanaler, der viser høj frekvens aktivitet på trods af lav impedans eller mærkbart mindre aktivitet end de omkringliggende kanaler (flad line kanaler). Disse kanaler kan HAVe løs kontakt med hovedbunden og kræve justering.
8. For at holde børnene komfortabel under EEG forberedelse, give barnet til at lytte til musik, se en alder passende tegneserie eller distrahere dem ved hjælp af en anden eksperimentator, fx, blæser sæbebobler for småbørn.

3. Analyse

1. Forbehandling
   1. Digitalt filtrere data med en high pass filter med en cut off på 0,1 Hz for at fjerne kanal driver ²⁷ (tabel 1).
   2. For ERP-analyse, anvende et lavpasfilter med en afskæringsværdi på 30 Hz ²⁷ (tabel 1).
   3. Epoch de kontinuerte data i henhold til trigger, som er fastsat under optagelsen. For de fleste eksperimenter, skal du bruge et udgangspunkt på 200 msek før stimulus debut og en post stimulus interval på 600 ms til at dække tidsinterval af interesse (tabel 1).
   4. Fjern epoker, der indeholder bevægelse eller blink artefakter: mark channels med en spids til spids amplitude højere end 150 mV - justere denne tærskel, afhængigt af deltagergruppen og datakvalitet. For konsistens, bruge den samme tærskel for alle deltagere i en undersøgelse. Hvis en kanal er over denne tærskel i mere end 30% af de epoker, fjerne kanalen (kanal aktivitet kan interpoleres fra omgivende kanaler, hvis disse indeholder acceptable data). Hvis mere end 20% af de kanaler, der er markeret som dårlige i en epoke, fjern epoke. Hvis mere end 20% af kanalerne er afvist af algoritmen eller mindre end 50% af epoker bevares, overveje at fjerne datasæt fra yderligere analyse (tabel 1).
      Bemærk: De procentuelle grænser for epoke og kanal afvisning er ballpark tal, der fjerner en tilstrækkelig mængde af støj i vores erfaringer. Mængden af ​​artefakt i optagelsen sandsynligvis vil være anderledes ved hjælp af andre deltagende grupper, eksperimentelle paradigmer eller EEG-systemer. Eksperimentatorer ønsker måske at justere procentsatsentærskler og se, om de er tilfredse med afvisning af artefakter. Alternativt kan eksperimentatorerne afvise forsøg, der indeholder artefakt ved besigtigelse.
   5. Re henvisning til gennemsnitlig henvisning ved at trække den gennemsnitlige aktivitet på tværs af kanaler fra hver kanal (tabel 1). Bemærk: Den vertex elektrode typisk anvendes som reference optagelse i NetStation.
2. Artifact Korrektion Brug Independent Component Analysis
   1. Importere data i de hurtigere værktøjskasse ²⁸ og køre den automatiske afvisning af artefakter algoritme på data (tabel 1).
   2. Brug Graphical User Interface (GUI) for hurtigere; at åbne GUI, type FASTER_GUI i kommandolinjen.
   3. Fravælg filtreringsindstillingerne i filtrering menuen som dataene allerede er blevet filtreret før epoching.
   4. Angiv antallet af kanaler: 126 EEG kanaler med 2 electrooculagram (EOG) kanaler.
   5. Indtastmarkører, der anvendes til epoching dataene som strenge i en celle-array. For det præsenterede sagen indtaste: {'ansigt', 'scra'} til ansigt og kodede ansigt forhold.
   6. Vælg de kanaler for komponent analyse (ICA). Typisk vælge alle optagekanaler, inkl. eksterne ikke EEG kanaler.
   7. Angiv input og output mappe i den højre rude i GUI.
   8. Vælg den relevante kanal filen for optagelserne. Bemærk: Kanal-filer for de fleste EEG-system kan enten downloades fra producenten eller kan downloades fra EEGLAB hjemmeside.
   9. Klik på Kør for at starte hurtigere behandling. Afhængigt af længden af ​​optagelserne og antallet af filer, kan denne behandling tage flere timer.
   10. Efterse optagelserne, komponent kort og ERP systemer efter behandlingen.
3. Channel Level Analyse af event-relaterede potentialer data
   1. Kombiner flere kanaler til at danne en virtuel channel med bedre signal-støj-forholdet (tabel 1). Bemærk: Valget af kanaler bør være baseret på de tidligere rapporter i litteraturen eller a priori hypoteser. Vælges kanaler, der viser den højeste amplitude inden for en given tidsramme ikke anbefales ^29.
   2. Anskaf foranstaltninger såsom peak amplitude, betyde amplitude og peak latency at karakterisere bølgeform og udføre statistiske test (tabel 1).
4. Opret Boundary Element Modeller (BEM)
   1. Segment anatomiske MR-scanning med FreeSurfer. Bemærk: Til de mest nøjagtige resultater, baserer grænsen element model på individuelle MR-scanninger for hver deltager. Hvis dette ikke er muligt, skal den gennemsnitlige MRI skabeloner, der matcher deltagernes alder så tæt som muligt anvendes. Bemærk venligst, at BEM'er ikke kan anvendes til børn under 24 måneder. Boundary element modeller antager, at hver skallen (hjerne, kranium, hud) består af en lukket shell. Men i yUNGE børnene de Fontanelles i kraniet ikke er lukkede, hvilket krænker den antagelse lukkede shell.
      1. For at installere FreeSurfer software, først downloade det fra FreeSurfer websted ( http://freesurfer.net/fswiki/DownloadAndInstall ). Dernæst oprettet skallen miljø omfatter FreeSurfer; . til Bashrc omfatte følgende kommandoer i Bashrc filen.:
         1. Eksport FREESURFER_HOME = / Programmer / freesurfer /
         2. Kilde $ FREESURFER_HOME / FreeSurferEnv.sh
            Bemærk: Disse kommandoer antage, at mappen FreeSurfer er i mappen Programmer på en Unix-system. Der er flere oplysninger om, hvordan setup FreeSurfer med alternative shell miljøer, fx CSH / tcsh, eller operativsystemer på FreeSurfer websted ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Dernæst definerer Emne retningTory, dvs den mappe, at produktionen vil blive skrevet til at bruge følgende kommando:
         1. eksport SUBJECTS_DIR = / ... / BEM'er /
            Bemærk: Resultaterne kan skrives til en mappe på systemet.
      3. Dernæst ændrer arbejder mappe til den mappe, der indeholder den MRI-filen for Boundary Element Model med følgende kommando:
         1. cd / Brugere / joebathelt / Neurodevelopmental_MRI_database / Børn / Brain /
            Bemærk: Enhver mappe på systemet, kan angives ved hjælp af syntaksen for kommandoen cd. Dette er et eksempel på den primære forskere filstruktur.
      4. Endelig starte genopbygningen hjælp af følgende kommandoer:
         1. Recon-alle-i <mri_file>-subjid <subject_id>
         2. Recon-alle-alle-subjid <subject_id>
            Bemærk: <mri_file> skal udskiftes med filnavnet på den ønskede MR-scanninger i det aktuelle bibliotek. <subject_id> kan være repsnøret med noget navn. FreeSurfer vil oprette en mappe med dette navn i emnet bibliotek. Afhængigt af systemet anvendes, kan de sidste kommandoer kræver en vis tid til at køre.
   2. Kontroller FreeSurfer segmentering for ukorrekt segmentering, f.eks. overlappende sfærer anatomisk usandsynlige rum osv. ved at importere segmenter i Brainstorm og bruge skærmen redskaber i GUI:
      1. I Brainstorm, vælg anatomi rude. Importer segmenterede MRI ved at højreklikke på emnet og vælge "Importer Anatomy mappe". Sørg for, at mappen med FreeSurfer output er valgt. Undersøg segmentering visuelt ved at højreklikke og vælge "Display". Bemærkning: Alternativt kan anvendes FreeSurfer kommandoer. En detaljeret beskrivelse kan findes på FreeSurfer hjemmeside: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRGenopbygning. Hvis der ønskes område af interesse analyse baseret på anatomiske udstykning den FreeSurfer funktioner mris_ca_label , mri_annotation2label og mri_mergelabels kan anvendes. Der henvises til FreeSurfer publikationer og online hjælp sider for mere detaljerede oplysninger.
5. Skøn Source Aktivitet i Brainstorm
   1. Start Brainstorm ved at skrive "brainstorm" i kommando-vinduet.
   2. Opret en ny protokol ved at vælge Ny protokol fra File-menuen.
   3. Tilføj en ny subject til protokollen ved at vælge nyt emne i menuen Filer.
   4. Import EEG data for deltageren ved at højreklikke på emnet og vælge "Importer MEG / EEG".
   5. Importer en kanal fil ved at højreklikke og vælge "Importer kanal fil". Bemærk: Den kanal fil skal tilpasses til MRI for kilden genopbygning. Brainstorm anvender et system med 4 anatomiske referencepunkter, som brugeren har brug for at markere i MRI. Der henvises til brainstorm tutorials for mere information ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Standarden som defineret af en kanal-fil til et bestemt EEG system eller ideelt set kan hoved positioner, der blev digitaliseret inden EEG optagelse anvendes.
   6. Kontroller, at BEM og kanalerne tilpasse som forventet: Højreklik på den kanal fil for emnet og navigere til "MR registrering" og "; Check ". Bemærk: Hvis kugler i modellen er overlappende eller hvis kanalerne er inden for BEM, vil kilden genopbygning give forkerte resultater. Juster tilpasningen ved hjælp af "Rediger" valgmulighed i "MRI segmentering" menuen.
   7. Beregn kovarians fra baseline for hver epoke ved at højreklikke på deltageren og vælge "Noise kovariansmatrix" og "Beregn fra optagelse". Bemærk: Forfatterne af Brainstorm værktøjskasse anbefaler at bruge en diagonal kovarians for korte optagelser (~ færre tidspunkter end kanaler) og en fuld til længere optagelser. Der henvises til BrainStorm Source Skøn tutorial for mere information: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Beregn Kilde Model ved at højreklikke på emnet og vælge "Compute source-model ".
   9. Beregn den inverse løsning ved hjælp af dybde vægtet Minimum Norm Estimation ved at højreklikke på emnet og vælge "Compute Source" og "Minimum norm overslag". Bemærk: Andre muligheder (dSPM, sLORETA) er tilgængelige. Hver option har forskellige fordele og ulemper. Algoritmen bør vælges på grundlag af a priori overvejelser og tidligere rapporter i litteraturen. Yderligere nogle algoritmer er bedre at løse omdrejningspunkt aktivering i visse områder, mens andre er mere egnet til udbredt aktivering. Multinationale blev brugt til denne undersøgelse baseret på tidligere rapporter i litteraturen ^16. For konsekvensen bør den samme algoritme til inverse løsning bruges til alle deltagere i en undersøgelse. Forskere kan også vælge at sammenligne, hvordan robuste resultater er anvendelsen af ​​forskellige inverse løsning algoritmer.
   10. Gentag afsnit 3 for alle deltagere i undersøgelsen. Bemærk: Enten bruge granelse batching interface eller scripts til at gentage procestrin for deltagerne. Se Brainstorm dokumentation for instruktioner ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Gennemsnitlig kilde aktivitet i forsøg pr deltagerne ved at trække optagelserne til processen menuen og vælge "Gennemsnit" og "Ved tilstand (med forbehold gennemsnit)."
   12. Kontrast tilstanden ved at vælge "Processer 2" og trække hver tilstand i ét vindue. Vælg derefter "Test" og "Student t-test" eller "Students t-test (parret)" afhængigt af design. For at udføre flere sammenligninger, indstillet amplitude og område tærskler i displayet på den resulterende statistiske kortet i "Stat" menuen. Bemærk: Alternativt kan aktiverings-kort blive eksporteret til SPM ( http://www.fil.ion.ucl.ac.uk / SPM /) for mere dybtgående statistisk analyse ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Beregn event-relateret respons for et område af interesse. For udstykning baserede ROIs, indlæse FreeSurfer udstykning ved at højreklikke på cortex overflade i anatomi menuen og vælge "Importer labels". Naviger den tilsvarende fil og indlæse den. Nu skal du vælge en ROI i "Scout" rude i funktionelle data-menuen.
   14. Anskaf ROI begivenhed relateret aktivitet ved at trække filer til processen 1 vindue og vælg "Udpak Scout Time Series" fra menuen Sources. Bemærk: Flere ROIs kan vælges samtidigt, og serien ROI tid kan eksporteres til videre plotte og analyse ved at højreklikke på spejder tidserie af data og vælge "Eksporter til Matlab".

Representative Results

Design ERP eksperimenter til spædbørn og børn er ofte udfordrende på grund af deres begrænsede kapacitet til at tolerere lange gentagne eksperimenter ^30. Dette problem forværres yderligere, når forsøgslederen planlægger at anvende source genopbygning, fordi nøjagtige kilde genopbygningen vil kræve et højt signal støjforhold ^1.. Figur en forsøgsprotokol til undersøgelse af ansigt forarbejdning mekanismer, der kan bruges med meget unge børn 1 skærme. Paradigmet er tilpasset a) minimere øje blinker, og øjenbevægelser under stimulus præsentation, fordi børn vil være mindre i stand til at kontrollere øjenbevægelser end voksne frivillige b) foretage eksperimentet mere engagerende ved at tilføje opmærksomhed grabbers efter inter stimulus interval. Eye blinker, og øjenbevægelser styres ved at præsentere en fiksering kors kort før stimulus for at henlede opmærksomheden på midten af ​​skærmen. Endvidere stimulus varigheder sat til 500 msek, som tillader bevidst opfattelse af stimulus og samtidig minimere tiden til at scanne billedet med øjenbevægelser. Den opmærksomhed grabber består af en børnevenlig billede præsenteret med en samtidig lyd. Kan bruges et tilfældigt udvalg af forskellige opmærksomhed grabber stimuli for at holde opgaven interessant for barnet. Det næste forsøg kan startes ved forsøgslederen, når det er klart fra overvågningssystemet, at barnet ser på midten af ​​skærmen igen. Desuden kan historier bruges til at hjælpe ældre børn deltage på skærmen. Det er ofte nyttigt at øve opgaver med børn, før EEG-optagelse for at sikre, at barnet forstår opgaven. Screening spørgsmål eller scorer fremstillet i øvelsen kan anvendes som kovarianter i senere analyser.

Ved beregning af antallet af gentagelser er nødvendige for eksperimentet, er det vigtigt at tage hensyn til, at mange prøvelser kan gå tabt på grund af uopmærksomhed or bevægelse artefakt, når man arbejder med børn. Som en tommelfingerregel bør det nødvendige antal gentagelser blive fordoblet i forhold til voksne studier eller ansætte et større antal deltagere. Den opmærksomhed span og samarbejdet er begrænset hos børn sammenlignet med voksne. Derfor holder de specifikke behov hos børn i tankerne, når designe opgaven. En lang opgave kan opdeles i flere blokke af kortere opgaver med pauser i mellem. Typisk er mindre for meget små børn er antallet af forhold, der kan indgå i forsøget, da de ikke vil være i stand til at samarbejde med længere perioder, der er nødvendige for at opnå tilstrækkelig forsøg for mange stimulus betingelser.

Tallene er baseret på en optagelse med en 6-årig dreng (6 år 3 måneder). Hovedet model var baseret på en gennemsnitlig MRI skabelon 6 årige ^31. Figur 5 viser kanal niveau begivenhed relateret potentielle reaktioner (ERP) til ansigt og forvrænget ansigt stimuli. Det waveform af ERP i bageste kanaler viser det forventede mønster af en positiv afbøjning efterfulgt af en negativ afbøjning og en efterfølgende bred positiv udbøjning. Baseret på den topografi, tidsforløb og arten af ​​paradigme, er tilbøjelige til at repræsentere P100, N1 og sene positive potentiale komponent disse omlægninger. Endvidere tidlige negativ afbøjning er betydeligt større for ansigt stimuli sammenlignet med scrambled ansigter. Derfor er det sandsynligt, at afspejle ansigtet specifik N170 komponent. De topografiske kort i figur 5 viser spænding distribution mellem 250 og 300 msek. Negativ spænding med et maksimum over højre occipito-temporale kanaler i ansigterne tilstand er indlysende.

Figur 6 viser den statistiske sammenligning af kilden aktivitet projiceret baseret på en standard voksen hoved model og en alder passende hoved model. Kilde rekonstruktion var baseret på en grænse element model (BEM) med dybde vægtetminimum norm estimering (wMNE) og fuldt kovarians i Brainstorm v. 3.1 ^32. Standard MNI Colin27 BEM blev anvendt som den voksne model. Kilde aktivitet blev i gennemsnit over tid mellem 250 og 300 msek på linje med ansigt konkrete svar på kanalen niveau.

Kortet viser resultaterne af en Student t-test sammenligning mellem de ansigter og forvrænget ansigter betingelse korrigeret for flere sammenligninger med falske opdagelse sats (FDR). Resultaterne viser betydeligt stærkere kilde aktivering i tindingelappen i ansigterne sammenlignet med scrambled ansigter tilstand. Lokaliseringen ved hjælp af alder passende model er mere brændvidde med stærke forskelle på den ventrale overflade af den tidsmæssige cortex. Lokalisering er baseret på den voksne hoved model er mere dispersionsfarvestof og viser kilde aktivitet forskelle på højre mediale og overlegen tidsmæssig gyrus, der er for det meste fraværende på kortet baseret på alder passende hoved model.

Figur 1.. Eksempel på et ansigt opfattelse eksperimentere egnet over en bred aldersgruppe Forsøget består af visuel præsentation af billeder af ansigter eller scrambled ansigter. De stimuli er fysisk identiske, men den rumlige arrangement er randomiseret i scrambled tilstand. Hver retssagen begynder med central præsentation af en fiksering kryds for at minimere øjenbevægelser under stimulus præsentation. Varigheden af ​​fiksering kors præsentationen er randomiseret til at undgå påvirkninger af medrivning over flere gentagelser. Stimulus præsenteres i løbet af en periode på 500 msek. Den korte varighed minimere også chancen for øjenbevægelser under præsentationen vinduet. En opmærksomhed sensationsprægede stimulus præsenteres efter en inter retssag interval med tilfældig varighed på mellem 1 sek og 2 sek. Det itention grabber er især nyttigt for meget unge deltagere, der ikke forventes at deltage til mange prøvelser af ikke engagerende materiale i rækkefølge. Forsøget kan starte næste forsøg, når deltageren ser på skærmen som reaktion på opmærksomhed grabber.

Figur 2. Blokdiagram over tærsklen afvisning algoritme. Algoritmen sammenligner højst hver EEG kanal i hver epoke til et sæt tærskel. Hvis en kanal indeholder maksimal aktivitet over tærsklen, er kanalen markeret som dårlige. Hvis mere end 20% af de kanaler er dårlige i en given epoke er epoken afvist. Efter epoke afstødning, er den maksimale aktivitet i hver kanal i forhold til tærsklen igen. Hvis en kanal indeholder aktivitet over tærsklen på mere end 30% af alle epoker, er kanalen afvist. Hvis mere end 20% af kanalerne er afvist af denne procedure eller mindre end 50% af epoker pr betingelse er tilbage efter epoke afvisning bør datasættet udelukkes fra yderligere analyse. Klik her for at se en større version af dette tal.

Figur 3.. Automatisk artefakt korrektion ved hjælp af hurtigere værktøjskasse ^28.. Figuren viser indstillinger, der skal ændres for at bruge hurtigere værktøjskasse med opsætningen og forarbejdning rørledning beskrevet i denne artikel:.. 1. Filtrering skal deaktiveres, da datasættet allerede er blevet filtreret 2 Antallet af kanaler skal justeres. EEG system, der anvendes i denne artikel, har 126 kanaler med2 EOG kanaler. Tre. Møde-markører for tid låsning bør præciseres som en celle vifte af strenge. 4.. Skal leveres Tidsvinduet for begivenheden-relaterede svar. Dette må være identisk med vinduet anvendt i tidligere epoching trin. 5.. Brugeren skal definere kanaler til uafhængig komponent analyse (ICA). I de fleste tilfælde vil det omfatte alle EEG kanaler og relevante eksterne kanaler som øjet kanaler (EOG). 6.. Indeksene i øjet kanalerne skal også tilpasses den EEG-systemet anvendes. For beskrevet EEG-systemet, ville disse være kanalerne 125 og 128. Klik her for at se en større version af dette tal.

Figur 4.. Kilde analyse Brainstorm ^32.. 1.. Efter import EEG datasæt og FreeSurfer overflader Boundary Element Model (BEM) kan beregnes ved at vælge "Compute hoved-model" i "Source"-menuen. 2.. Støjen kovariansmatrix kan beregnes ud fra optagelserne ved at vælge "Compute støj kovarians". Hvis optagelsen er lang nok, dvs flere tidspunkter end sensorer, fuld kovariansmatrix kan beregnes, ellers anbefales en diagonal matrix. 3.. Efter beregning af hoved-model og kovarians, er det muligt at opnå den inverse løsning. Forskellige algoritmer kan anvendes. Dybden vægtet Minimum Norm Estimation (wMNE) algoritme blev anvendt til denne artikel. 4.. Tidsforløbet for kilde aktivitet i områder af interesse (ROI) kan udvindes ved at vælge "Extract Scout Time Series" f ra "Source"-menuen. ROIs fra automatisk kortikal udstykning i FreeSurfer blev anvendt til dette eksempel. Klik her for at se en større version af dette tal.

Figur 5.. Begivenhed potentialer respons (ERP) til ansigt og krypterede ansigt stimuli over højre occipito tidsmæssige kanaler. ERP viser en mere negativ afbøjning mellem 130 og 220 msek efter stimulus debut på højre side efter ansigter sammenlignet med scrambled ansigter. Disse egenskaber er i overensstemmelse med tidligere rapporter om N170 komponent ^33. Klik her for at se en større version af dette tal.

ove_content "fo: keep-together.within-side =" altid ">
Figur 6.. Sammenligning af kilde lokalisering mellem en standard voksen hoved model og en passende hoved-model. Den øverste række i figur viser MNI voksen grænsen hoved model colin27 til venstre og en alder passende hoved model baseret på en FreeSurfer udstykning af et gennemsnitligt MRI skabelon til 6-årige børn til højre. Placeringen af ​​coregistered elektrode placeringer er også præsenteret. Optagelsen blev opnået fra en 6-årig dreng (6 år 3 måneder). Den anden og tredje række viser resultaterne af en statistisk sammenligning mellem aktivering kort over multinationale kilde genopbygning i ansigterne sammenlignet med scrambled ansigter tilstand baseret på en t-test korrigeret for multipel sammenligning ved hjælp False Discovery Rate (FDR). Farven kort viser virkningen størrelse med rød indikerer højere aktiviteti ansigterne tilstand og blå viser højere aktivitet i scrambled ansigter tilstand. Bemærk venligst, der blev anvendt nogen amplitude eller størrelse tærskler. Lokaliseringen synes mere brændvidde på den ventrale overflade af den tidsmæssige pol ved hjælp af alder passende hoved model sammenlignet med den voksne BEM. Klik her for at se en større version af dette tal.

Figur 7.. Kilde ERP af retten fusiform gyrus som reaktion på ansigter og scrambled ansigter baseret på kilden rekonstruktion af en optagelse er opnået fra en 6-årig dreng (6 år 3 måneder) med en alder passende BEM med multinationale Kilden ERP vise en mere negativ afbøjning omkring 250 msek efter stimulus debut i ansigterne tilstand i forhold til de scrambled står tilstand. Denne aktivitet vil sandsynligvis afspejle bidraget de rigtige fusiform gyrus til N170 komponent i ansigterne tilstand.

<td>

Indgang for trin 1,1	Beskrivelse
input_image = imread ('/ Users / some_user / images / example.jpeg');	% Læsning af billedet
gray_image = rgb2gray (input_image);	% Overførsel fra RGB til gråtoner
saveas (gray_image 'grey_image.tiff')	% Gem nyt billede
Indgang for trin 1.2	Beskrivelse
Kode Eksempel:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Rengøring
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
CLC	% clearing variable fra arbejdsområdet
rydde alle
luk alle	% Indstilling lyddrivere til lav latenstid tilstand
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% variabler
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings ERP Lab Brugere My Documents Matlab Faces_Houses ';	% Definere arbejdskataloget
netstation = 1;
	% Dette slår kommunikationen med NetStation EEG optagelse software
	% Definere antallet af forsøg
no_of_trials = 80;	% Samlende tastatur navne for nem at transportere meleen Unix og PC versioner
KbName ('UnifyKeyNames')	% Definere en variabel for en flugt tastetryk
escapeKey = KbName ('Escape');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Loading stimuli
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: Documents and Settings ERP Lab Brugere My Documents Matlab Faces_Houses Faces ');	% Leverer mappen med stimuli billeder
filer = dir (face_directory);	% Generere en liste med alle billedfiler stimuli
står = {files.name};
flader (1:2) = [];
grabbers = dir ('/ Brugere / joebathelt / Dropbox / preterm_oddball / grabbers /');	</ Td>
Grabbers = {grabbers.name};
gribeklo (1:2) = [];
grabber_sounds = dir ('/ Brugere / joebathelt / Dropbox / preterm_oddball / lyde /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Start eksperimentet
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
hvis netstation == 1; NetStation ("Connect", '194 .82.245.131 ', '55513')	% Synkronisering med optagelse software
NetStation ('Synkroniser', 10)	% Synkronisering inden for 10 msek nøjagtighed
NetStation (StartRecording)	% Starter optagelsen
ende
% Opsætning af skærm
screenNum = 0;	% Identifikationsnummer præsentation skærm
	% Definere et vindue stimulus præsentation
[Display.w, display.rect] = Skærm ('openWindow' screenNum, 0);
[WPtr, rect] = Skærm ('openWindow' screenNum);	% Skjule musemarkøren
HideCursor;
sort = BlackIndex (wPtr);	% Indstille baggrunden til sort
Skærm ('fillRect' wPtr, sort);	% Definere skrifttype og skriftstørrelse for tekstdisplay
Skærm ('TextFont' display.w 'Arial');
Skærm ('Tekststørrelse' display.w, 32);
Skærm ('TextStyle' display.w, 0);
for i = 1: no_of_trials
FlushEvents
randomizer = randi (2);
	% Tilfældigt at udvælge en opmærksomhed grabber billede
attention_grabber = imread (strcat (input_folder 'grabbers /', cell2mat (Grabbers (randi (længde (grabbers))))));
[Lyde, fs, nbits] = wavread (strcat (input_folder, "lyder / ', cell2mat (grabber_sounds (randi (længde (grabbers))))));
audio_handle = PsychPortAudio ('Åbn', [], [], 0, fs, længde (lyde (1, :)));
lyder = lyde ';	% Tilfældigt at udvælge en opmærksomhed grabber lyd
PsychPortAudio ('FillBuffer' audio_handle, lyde);
	% Etablering lyd præsentation
stimulus = strcat (face_directory, ansigter (randi (længde (ansigter))));
stimulus = imread (cell2mat (stimulus));	% Dette randomises præsentationen af ​​ansigter og forvrænget ansigter
hvis randomizer == 2;	% Indlæsning af stimulus, der blev tilfældigt udvalgt fra listen af ​​stimuli
stimulus = stimulus (randperm (længde (stimulus (:, 1))), randperm (længde (stimulus (1, :))));
ende	% Scrambling stimulus matrix, hvis forsøget er en kodet retssag
stim = Skærm ('MakeTexture' wPtr, dobbelt (stimulus)); % Stimulus
	% Forberede stimulus til præsentation
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Trial
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
	% Dette afsnit er kun relevant for den første retssag
hvis jeg == 1;
[Nx, ny, kasse] = DrawFormattedText (wPtr, "Tryk på en tast for at starte ',' center ',' center ', [255 255 255]);
Skærm ('FrameRect' wPtr, 0, box);
[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip', wPtr);	% For den første retssag, teksten "Tryk på en tast for at starte" præsenteres, indtil der trykkes på en tast
KbWait ([], 2);
[Nx, ny, kasse] = DrawFormattedText (display.w '', 'center', 'center', 255); % Blank skærm
Skærm ('FrameRect' display.w, 0, box);		[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip', wPtr);
ende
% Fiksering Cross
[Nx, ny, BBOX] = DrawFormattedText (wPtr, '+', 'center', 'center', 255);
Skærm ('FrameRect' display.w, 0, BBOX);
[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip', wPtr);	% Forberede et hvidt plustegn i midten af ​​skærmen som fiksering kors
hvis netstation == 1;	% Præsentere fiksering kors
NetStation ('event', 'fix +', StimulusOnsetTim) ende
	% Sende en trigger med tidsstemplet for fiksering kors præsentation og koden "fix +" til EEG optagelse software
% Begrænsende præsentation tidspunktet for fiksering kors til en tilfældig varighed mellem 0,15 og 0,2 sek
% Stimulus	% Præsentere ansigt eller krypterede face stimulus
Skærm ('DrawTexture' wPtr, STIM);
[VBLTimestamp StimulusOnsetTim] = Skærm (wPtr 'Flip');
hvis netstation == 1;	% Sende udløser med tidsstempel og kode 'ansigt' eller 'scra' ansigt til EEG optagelse software
hvis randomizer == 1;
NetStation ('event', 'ansigt', StimulusOnsetTim)
elseif randomizer == 2;
NetStation ('event', 'scra', StimulusOnsetTim)
ende
ende
WaitSecs (0.5)	%-Grænse stimulus varighed til 500 msek
	% Præsentere en blank skærm
[Nx, ny, kasse] = DrawFormattedText (wPtr '', 'center', 'center', 255); % Blank skærm
Skærm ('FrameRect' wPtr, 0, box);
[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip', wPtr);
WaitSecs (1 + rand (1))	% Inter forsøg interval med en tilfældig varighed på mellem 1 og 2 sek
% Opmærksomhed grabber	% Præsentere opmærksomhed fanget med lyd
Skærm ('DrawTexture' wPtr, grabber);
lyde = PsychPortAudio ('Start', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip';, WPtr);
hvis netstation == 1;
NetStation ('event', 'grbr', StimulusOnsetTim)	% Sende tidsstemplet og kode for opmærksomhed grabber til EEG optagelse software
ende
	% Præsentere opmærksomhed grabber og lyde, indtil der trykkes på en tast på tastaturet
KbWait ([], 2);
PsychPortAudio ('Stop', audio_handle);
Skærm ('FrameRect' display.w, 0, box);	% Afbryde forsøget, hvis der blev trykket på escape-tasten
[VBLTimestamp StimulusOnsetTim] = Skærm ('Flip', wPtr);
[KeyIsDown, timeSecs, keycode] = KbCheck; hvis keyIsDown
hvis nøglekode (escapeKey)
sca
NetStation (StopRecording)
tilbagevenden
ende
ende	% Lukke eksperimentet og stoppe EEG-optagelse ved slutningen af ​​forsøget
ende
Skærm ('CloseAll');
hvis netstation == 1;
NetStation (StopRecording)
ende
Indgang for trin 3.1.1	Beskrivelse
OUTEEG = pop_eegfilt (INEEG, 0,1, []);	% OUTEEG = EEG data efter filtrering, dvs. Funktion udgang
	% INEEG = EEG data, før filtrering, dvs funktion indgang
	% 0,1: high pass afbrød frekvens
	% []: Lavpas cut-off, undefined fordi et højpasfilter ønskes
Indgang for trin 3.1.2	Beskrivelse
OUTEEG = pop_eegfilt (INEEG, [], 30);	% []: High pass afskåret, udefineret fordi et lavpasfilter ønskes
	% 30: low-pass afskæringsfrekvens
Indgang for trin 3.1.3	Beskrivelse
OUTEEG = pop_epoch (INEEG, "hændelse", {'ansigt', 'scra'} [-0.2 0.6]);	% Epoching
	% »Begivenhed«, {'ansigt', 'scra'}: funktionen er at vide at bruge trigger events 'ansigt' og 'scra' som tiden låsning markører. Disse udløser blev defineret i eksperimentet scriptet for at markere påbegyndelsen af ​​ansigtet og forvrænget ansigt stimulus præsentation debut.
	% [-0.2 0.6] = tidsvindue for ERP fra 0,2 sek før tid-locking begivenhed til 0,6 sek
OUTEEG = pop_rmbase (EEG [-0.2 0]);	% Fjernelse af baseline
	% [-0.2 0]: baseline tidsvindue, dvs 0,2 sek før tid-locking begivenhed til tiden låsning begivenhed
Indgang for trin 3.1.4	Beskrivelse
Funktionen [EEG] = threshold_rejection (EEG, tærskel)	% Funktion definition, funktionen kræver en EEG datasæt struktur og en tærskel i μV
for j = 1:02
for i = 1: Længde (EEG.data (1,1, :))	% I sløjfer går gennem alle epoker i en given EEG datasæt
data = EEG.data (:,:, i);
data = data - gennemsnit (data, 2);	% Trække fra the betyder aktivitet for at undgå påvirkning af amplitude skift
maxima = max (abs (data)) ';	% Identificere den maksimale absolutte aktivitet i alle kanaler
bad_channels = maxima> tærskel;
channel_rejection (:, i) = bad_channels;
hvis sum (bad_channels)> 0,2 * 128	% Hvis der er mere end 20% af kanaler er over tærsklen, er den epoke markeret til afvisning
epoch_rejection (i) = 1;
andet
epoch_rejection (i) = 0;
ende
ende
hvis j == 1;	% Kun at vælge de epoker, der ikke er markeret som dårlige
EEG = pop_select (EEG, 'trial', finde (epoch_rejection == 0))
andet	% Mark kanaler, der er dårligt i mere end 20% af epoker efter epoke afvisning for kanal afvisning
bad_channels = middelværdi (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, finde (bad_channels == 1), »sfæriske ');	% Anvende sfærisk interpolation til dårlige kanaler
ende
ende
Indgang for trin 3.1.5	Beskrivelse
EEG = pop_reref (EEG, []);	% Beregner gennemsnittet henvisning
Indgang for trin 3.2.1	Beskrivelse
kanaler = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % Rigtige N170	% Occipito-temporale kanaler af højre hjernehalvdel% for N170 svar ved brug af kanal-etiketter til% 128 kanaler geodætiske Hydrocel Sensor Net
EEG = pop_select (EEG, 'kanal', kanaler);	% Valg af kanaler
Virtual_channel = middelværdi (EEG.data, 1);	% At kombinere de enkelte kanaler til en virtuel kanal
Indgang for trin 3.3.2	Beskrivelse
N170_peak = max (abs ((averaged_ERPs (0,13 * srate +0.2 * srate: 0.2 * srate +0,2 * srate), [], 2));	% Maksimal amplitude indenfor en latenstid vindue for hver deltager i μV
N170_peaklatency = 1000 * (find (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	% Peak latency i millisekunder
N170_mean = middelværdi (averaged_ERPs:, 0.13 * srate +0.2 * srate: 0.2 * srate +0,2 * srate), [], 2);	% Mean amplitude i μV

MATLAB kommandoer til at gennemføre th Tabel 1.e eksempel eksperiment og analysere high-density EEG optagelser på kanal-og kilde-niveau. tabel opsummerer kode til at gennemføre ansigter vs scrambled ansigter eksempel eksperiment. Endvidere er koden for præ forarbejdning af rå EEG præsenteres. Derudover er fremgangsmåder til ekstraktion bølgeform karakteristika for kanalen niveau analyse af hændelsen reaktionstid vist.

Discussion

Nærværende artikel beskriver registrering og analyse af high density EEG til genopbygning af kortikale generatorer til anvendelse boundary element modeller baseret på alder relevante gennemsnitlige MRI skabeloner og dybde vægtet mindste norm estimering i en standard ERP paradigme egnet til børn. I dette paradigme, er billeder af ansigter og scrambled ansigter præsenteres. Forskellige forfattere brugte dette paradigme at undersøge udviklingen af ansigt forarbejdning mekanismer i udvikling ^35.. På kanal plan er mere negative nedbøjninger over højre occipito timelige kanaler beskrevet for ansigtet betingelse for scrambled ansigt tilstand. Topografi, latency og reaktion karakteristisk er i overensstemmelse med N170 komponent ^34. Forrige kilde og samtidige EEG fMRI undersøgelser rapporterer, at fusiform gyrus er et sandsynligt generator af N170 respons. Resultaterne af den nuværende analyse viser, at kilden inversion med en dybde vægtet grænseelement model (BEM) kan bruges til at lokalisere kilden aktivitet i fusiform gyrus i ansigtet forvrænget ansigt paradigme på de enkelte deltagere. Brugen af head modeller baseret på den enkelte deltagers anatomi eller anvendelsen af alder passende gennemsnit anatomiske scanner for udviklingsmæssige undersøgelser, hvor den enkelte anatomi ikke er tilgængelig, vil give den mest nøjagtige kilde lokalisering ^2.. Endvidere kan identificeres områder af interesse baseret på anatomisk viden eller automatiske udstykning algoritmer til at undersøge begivenheden relateret reaktion af bestemte kortikale regioner.

Der er flere begrænsninger for kilde genopbygning, især i udviklingsmæssige prøver i øjeblikket. Først kilde rekonstruktion baseret på gennemsnitlige skabeloner til forskellige aldersgrupper forudsætter, at den enkelte viser typiske hjernens udvikling for deres kronologiske alder, som måske ikke nødvendigvis være tilfældet, især i patientgrupper. Foreksempel forskellige undersøgelser beskrevet atypiske baner i hjernens vækst til børn født for tidligt fødte ³⁶ eller børn med autisme ^37.. Det er svært at vurdere, hvordan disse anatomiske forskelle vil påvirke nøjagtigheden af ​​den inverse løsning og partiskhed resultaterne af sammenligninger mellem atypiske og typiske kontrolgrupper.

For det andet, forward modeller såsom grænsen element model (BEM) ikke inkorporere ledningsevne ujævnheder i rum, fx forskelle mellem grå og hvid substans. Nøjagtigheden for subkortikale kilder er derfor begrænset. Source-løsninger var begrænset til kortikale kilder af den grund. Finite element modeller kan anvendes til mere præcis løsning af subkortikale generatorer. Med løsninger begrænset til cortex, er det vigtigt at huske på, at aktivering i kortikale regioner kan afspejle de underliggende subcorticale sygdomsfremkaldende mekanismer, fx, feedback kommunikation via thalamiske sløjfer.Derfor er kausale slutninger om inddragelse af kortikale regioner begrænset, medmindre mere komplekse modeller bruges der i øjeblikket kun er tilgængelig for typiske voksne anatomi, fx Dynamic Causal Modelling ^38,39.

Endvidere Boundary element modeller antager lukkede skaller for hvert rum. Men unge spædbørn har bløde pletter i deres kranier, hvor suturerne mellem kranieknoglerne ikke er fuldt fusioneret ^15. Denne krænkelse af BEM antagelser alvorligt begrænser anvendeligheden af ​​kilden rekonstruktion med BEM'er hos spædbørn yngre end 2 år. Finite element modeller kan anvendes til kilden genopbygning i denne aldersgruppe.

For det tredje, selv om alder passende head modeller blev brugt til kilden genopbygning blev ledningsevne værdier baseret på voksne prøver bruges til at modellere ledningsevne i hvert rum. Men væv ledningsevne sandsynligvis ændre sig over udviklingen, f.eks. Gennemstigninger i knogletætheden ^15. Ledningsevne værdier for vævstyper, der anvendes i BEM'er for menneskerettigheder spædbørn og børn er i øjeblikket ikke tilgængelig for vores viden.

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).