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.
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.
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.
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…
The authors have nothing to disclose.
Vi ønsker at takke professor John Richards, University of South Carolina, for tildeling os adgang til Developmental MRI-databasen og nyttige diskussioner. Vi vil også gerne takke vores sponsorer Great Ormond Street Children Charity, UCL Impact & store udfordringer.
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 | ||
References | |||
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21. | |||
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13. | |||
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22. | |||
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45 | |||
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision. |