हाल के वर्षों में, संज्ञानात्मक तंत्रिका विज्ञान के प्रयोगों के लिए बिजली की गतिविधि मापा खोपड़ी के cortical सूत्रों का आकलन में बढ़ती रुचि रही है. यह लेख लंदन बेबी लैब में 2 साल की उम्र से उच्च घनत्व ईईजी अधिग्रहण कर लिया है और कैसे रिकॉर्डिंग बच्चों में cortical स्रोत आकलन के लिए कार्रवाई कर रहे हैं कैसे करें.
ईईजी पारंपरिक रूप से उच्च लौकिक और कम स्थानिक संकल्प के साथ एक न्यूरोइमेजिंग तकनीक के रूप में वर्णन किया गया है. Biophysical मॉडलिंग और सिग्नल प्रोसेसिंग में हाल के अग्रिमों यह संभव है इस बाधा 1 काबू पाने के लिए उच्च स्थानिक संकल्प प्रदान कि संरचनात्मक एमआरआई जैसे अन्य इमेजिंग तौर तरीकों से जानकारी का फायदा उठाने के लिए करते हैं. इस लौकिक में उच्च संकल्प के साथ ही स्थानिक डोमेन की आवश्यकता है कि जांच के लिए विशेष रूप से उपयोगी है. इसके अलावा, के कारण आसान आवेदन और ईईजी रिकॉर्डिंग की कम लागत के लिए, ईईजी ऐसे कार्यात्मक एमआरआई बर्दाश्त नहीं है कि युवा बच्चों के रूप में आबादी के साथ काम अच्छी तरह से स्कैन करता है जब अक्सर पसंद की विधि है. हालांकि, तंत्रिका substrates संरचनात्मक एमआरआई से, संरचनात्मक जानकारी शामिल कर रहे हैं जो जांच के क्रम में अब भी जरूरत है. अधिकांश ईईजी विश्लेषण संकुल वयस्क शरीर रचना विज्ञान पर आधारित हैं कि मानक सिर मॉडलों के साथ काम करते हैं. बच्चों के लिए प्रयोग किया जाता है जब इन मॉडलों की शुद्धता, 2 सीमित है क्योंकि सहMPOSITION और सिर के स्थानिक विन्यास विकास 3 में नाटकीय रूप से परिवर्तन ऊतकों.
वर्तमान पत्र में, हम उच्च घनत्व ईईजी के cortical जनरेटर के पुनर्निर्माण के लिए व्यक्तिगत संरचनात्मक एमआरआई स्कैन या उम्र विशिष्ट सिर मॉडल पर आधारित सिर मॉडल के उपयोग में हमारे हाल ही में काम के एक सिंहावलोकन प्रदान करते हैं. यह लेख ईईजी रिकॉर्डिंग संसाधित, और प्रयोगशाला की स्थापना, काम डिजाइन, ईईजी preprocessing, एमआरआई प्रसंस्करण, और ईईजी चैनल स्तर और स्रोत विश्लेषण सहित लंदन बेबी लैब में बाल चिकित्सा आबादी के साथ विश्लेषण, अधिग्रहण कर रहे हैं कैसे करें.
राष्ट्रपति बराक ओबामा के स्वास्थ्य और अर्थव्यवस्था 3 (http://www.whitehouse.gov/share/brain-initiative) के लिए उच्च महत्व के साथ वैज्ञानिक खोज के अगले सीमा के रूप में मानव मस्तिष्क का वर्णन किया. हालांकि, प्राकृतिक विज्ञान में किसी भी अन्य क्षेत्र की तरह, तंत्रिका विज्ञान की प्रगति के लिए तरीके और विश्लेषण तकनीक के क्षेत्र में प्रगति पर निर्भर करता है. मानव में मस्तिष्क समारोह के बारे में अध्ययन में दो आमतौर पर इस्तेमाल गैर इनवेसिव उपकरण चुंबकीय अनुनाद इमेजिंग (एमआरआई) और (ईईजी) कर रहे हैं. ये उपकरण विभिन्न भौतिक गुणों का दोहन और अद्वितीय फायदे और नुकसान के साथ मस्तिष्क समारोह में विभिन्न अंतर्दृष्टि प्रदान करते हैं. एमआरआई जीवित ऊतकों की छवियों को प्राप्त करने के लिए चुंबकीय क्षेत्र के भीतर पानी के अणुओं के चुंबकीय गुण का उपयोग करता है. विषय उच्च क्षेत्र ताकत के साथ एक चुंबक में रखा जाना चाहिए. प्रतिभागी का आंदोलन इस प्रक्रिया के दौरान प्रतिबंधित है और प्रतिभागी चुंबकीय में तेजी से बदलाव के कारण शोर बर्दाश्त करना पड़ता हैक्षेत्र. संरचनात्मक छवियों के अलावा, एमआरआई भी मस्तिष्क समारोह (fMRI) की जांच के लिए रक्त oxygenation में बदलाव को मापने की संभावना प्रदान करता है. संक्षेप में, एमआरआई आधुनिक उच्च क्षेत्रों स्कैनर और अनुकूलित मापदंडों 4 के साथ 0.5 मिमी 3 के अपेक्षाकृत उच्च स्थानिक संकल्प प्रदान करता है. इसके विपरीत, fMRI का अस्थायी समाधान ही परोक्ष रूप से तंत्रिका गतिविधि 5,6 के उच्च अस्थायी गतिशीलता को दर्शाता है जो बोल्ड प्रतिक्रिया की धीमी कैनेटीक्स तक सीमित है.
दूसरी ओर, ईईजी सिर पर रखा इलेक्ट्रोड के माध्यम से न्यूरॉन्स की गतिविधियों की वजह से बिजली की गतिविधि में परिवर्तन के उपाय. ईईजी प्रौद्योगिकी के क्षेत्र में हाल के अग्रिमों अल्पकालिक या दीर्घकालिक और स्थिर है और साथ ही चल रिकॉर्डिंग के लिए सेंसर का त्वरित और आसान आवेदन की अनुमति. ईईजी कम प्रतिबंधक है, यह भी अच्छी तरह से जैसे एमआरआई वातावरण बर्दाश्त नहीं करते कि कुछ प्रतिभागी आबादी के लिए पसंद की विधि है बाल चिकित्सा और कुछबुढ़ापे और मनोरोग आबादी. ईईजी के गुण एमआरआई के उन लोगों के लिए एक व्युत्क्रम पैटर्न दिखा: अस्थायी समाधान millisecond परिशुद्धता के साथ बहुत अधिक है, लेकिन स्थानिक संकल्प सीमित है. विद्युत धाराओं खोपड़ी की सतह पर उनके जनरेटर और ईईजी इलेक्ट्रोड के बीच विभिन्न ऊतकों के माध्यम से गुजरती हैं. यह मिश्रण और मात्रा चालन प्रभाव के रूप में जाना जाता है स्रोत गतिविधि के स्थानिक smearing की ओर जाता है. इसलिए, खोपड़ी की सतह पर इलेक्ट्रोड से मापा गतिविधि सिर 1,7 पर इलेक्ट्रोड की स्थिति को दूर किया जा सकता है कि कई स्रोतों से गतिविधि को दर्शाता है.
हाल के वर्षों में काफी काम उनके संबंधित ताकत का लाभ उठाने के क्रम में एमआरआई और ईईजी के विलय के लिए समर्पित किया गया है. काम की एक पंक्ति कार्यात्मक अध्ययन में ईईजी और एमआरआई के एक साथ अधिग्रहण के लिए समर्पित है. एक और दृष्टिकोण मात्रा सी के खाते में लेने के लिए संरचनात्मक एमआरआई द्वारा प्रदान स्थानिक जानकारी का उपयोग करने के लिए हैonduction biophysical मॉडलिंग के माध्यम से प्रभाव. ईईजी रिकॉर्डिंग के स्रोत पुनर्निर्माण के लिए संरचनात्मक जानकारी का उपयोग एक बाल चिकित्सा आबादी शामिल अध्ययन के लिए विशेष रूप से उपयोगी है. मस्तिष्क समारोह के विकास की जांच जटिल संज्ञानात्मक कौशल सरल व्यापारियों 8 के शीर्ष पर बना रहे हैं कि कैसे को समझने के लिए केंद्रीय है.
इन जांच व्यवहार प्रदर्शन में परिवर्तन के साथ सहसंबंधी कि तंत्रिका substrates और प्रतिक्रिया गुणों में परिवर्तन को उजागर करने के लिए मदद करते हैं. हालांकि, विकास के दौरान मस्तिष्क समारोह और अनुभूति की जांच भी विशिष्ट चुनौतियों poses. विशेष रूप से, कार्यात्मक एमआरआई अध्ययन के लिए अवसर छोटे बच्चों और शिशुओं सो या आंदोलन कलाकृतियों और भागीदार भलाई पर नकारात्मक प्रभाव के बिना एमआरआई डेटा प्राप्त करने के लिए बेहोश करने की है या तो के रूप में सीमित है. इसके अलावा, ईईजी अनुसंधान प्रतिभागियों की भर्ती को आसान बना देता है, जो माता – पिता द्वारा कम जोखिम भरा है और आक्रामक रूप में माना जाता है. टीherefore, ईईजी युवा बच्चों में मस्तिष्क समारोह के कई जांच के लिए पसंद की विधि है. ईईजी सिस्टम में भी प्रक्रिया अग्रिम मिनट के भीतर 128 या अधिक चैनलों के साथ उच्च घनत्व इलेक्ट्रोड सरणियों का आवेदन देते हैं. आवेदन और आराम पहनने की आसानी भी कम उम्र के शिशुओं में ईईजी रिकॉर्डिंग की अनुमति के लिए पर्याप्त हैं. हालांकि, कई बार शोधकर्ताओं ने न केवल विशेष उत्तेजनाओं को प्रतिक्रियाओं के अस्थायी गतिशीलता में रुचि रखते हैं, लेकिन यह भी प्रतिक्रियाओं मध्यस्थता कि तंत्रिका substrates तुलना करना चाहते हैं.
विभिन्न आयु समूहों की तुलना चैनल स्तर ईआरपी विश्लेषण में एक प्रचलित धारणा ही तंत्रिका substrates कि प्रतिक्रिया है, लेकिन समय या प्रतिक्रिया आयाम उम्र 9 भर में बदलता है. इसी प्रकार की खोपड़ी स्थलाकृति अक्सर समान अंतर्निहित तंत्रिका गतिविधि का एक संकेतक के रूप में प्रयोग किया जाता है. हालांकि, कई अलग स्रोत विन्यास समान खोपड़ी topographies 10 हो सकती है. स्रोत आकलन को लागू करके, इस uncertainty कम और मात्रा निर्धारित किया जा सकता है. टिप्पणियों की स्वतंत्रता मस्तिष्क समारोह का नेटवर्क खातों के लिए महत्वपूर्ण है: सूत्रों मिश्रित कर रहे हैं, तो सहसंबंध उच्च स्थानीय कनेक्टिविटी के प्रति पक्षपाती किया जाएगा. स्रोत पुनर्निर्माण इस पूर्वाग्रह 11 कम करने के लिए लागू किया जा सकता है. वैकल्पिक रूप से, समय और चरण में मतभेद कनेक्टिविटी विश्लेषण के लिए इस्तेमाल किया जा सकता है, लेकिन इन गणितीय मॉडल गैर नकली डेटा 12 में मूल्यांकन करने के लिए मेहनत कर रहे हैं कि मान्यताओं की आवश्यकता होती है. संक्षेप में, स्रोत आकलन शरीर रचना और ऊतकों की biophysical गुणों के बारे में ज्ञान के आधार पर चैनल स्तर ईईजी और ईआरपी विश्लेषण करने के लिए अतिरिक्त जानकारी प्रदान करता है.
विभिन्न एल्गोरिदम उलटा समस्या का समाधान खोजने के लिए तैयार किया गया है. पैरामीट्रिक और गैर पैरामीट्रिक 13: इन एल्गोरिदम दो श्रेणियों में मोटे तौर पर गिर जाते हैं. पैरामीट्रिक मॉडल एक या स्थान, अभिविन्यास और ताकत में भिन्न हो सकते हैं कि कई द्विध्रुव मान. इसके विपरीत, गैर पैरामीट्रिक मॉडल contaiNA बड़ी तय स्थान और अभिविन्यास के साथ द्विध्रुव की संख्या. इन मॉडलों में, खोपड़ी विद्युत गतिविधि तय द्विध्रुव 10,13,14 में activations के संयोजन के रूप में समझाया है. गैर पैरामीट्रिक, वितरित स्रोत मॉडल विभिन्न मीडिया में शरीर रचना और चालकता के बारे में ज्ञान के आधार पर किया जा सकता है. सीमा तत्व मॉडल मस्तिष्क, Cerebro रीढ़ की हड्डी में तरल पदार्थ, और खोपड़ी के लिए विभिन्न गोले के साथ सिर के मुख्य ऊतकों के लिए चालकता मूल्यों को शामिल. इस चालकता प्रत्येक डिब्बे के भीतर ज्यादातर स्थिर है, लेकिन है कि चिह्नित परिवर्तन अलग डिब्बों की सीमा पर होती है कि इस धारणा पर आधारित है. चालकता मूल्यों प्रत्येक voxel 15 को सौंपा जा सकता है, ताकि परिमित तत्व मॉडल ग्रे और सफेद पदार्थ में एमआर स्कैन के आगे विभाजन पर आधारित हैं.
व्यावहारिक दृष्टि से, गैर पैरामीट्रिक मॉडल, जटिल संज्ञानात्मक कार्यों में स्रोत पुनर्निर्माण के लिए विशेष रूप से उपयोगी होते हैं शामिल क्षेत्रों की संख्या जो हो सकता है में10 ज्ञात नहीं हो. अधिक सटीक परिमित तत्व मॉडल comparably उच्च कम्प्यूटेशनल मांगों मुद्रा शायद क्योंकि सीमा तत्व मॉडल सबसे व्यापक रूप से, वर्तमान साहित्य में उपयोग किया जाता है. FEMs व्यक्ति एमआरआई स्कैन के आधार पर किया जाना चाहिए ताकि आगे, ग्रे और सफेद मामले में काफी अंतर व्यक्तिगत परिवर्तनशीलता है.
गैर पैरामीट्रिक मॉडल आगे मॉडल की भविष्यवाणी करने के लिए खोपड़ी मापा गतिविधि मिलान के लिए एक दूसरे चरण की आवश्यकता होती है. फिर, अलग फायदे और कमियों के साथ अलग अलग दृष्टिकोण (एक सिंहावलोकन के लिए मिशेल एट अल. 2004 देखें) साहित्य में चर्चा की गई है. सबसे व्यापक रूप से इस्तेमाल किया एल्गोरिदम सबसे कम समग्र तीव्रता 16 के साथ आगे मॉडल में एक मौजूदा वितरण के लिए खोपड़ी मापा गतिविधि से मेल खाता है, जो न्यूनतम मानदंड आकलन (MNE) पर आधारित हैं. MNE कमजोर और सतही स्रोतों की ओर झुका हुआ है. गहराई भारित MNE एल्गोरिदम भार शुरू करने से सतह पूर्वाग्रह को कम करने की कोशिशगणितीय मान्यताओं से 10 के आधार पर matrices. व्यापक रूप से इस्तेमाल Loreta दृष्टिकोण भी भारित MNE पर आधारित है, लेकिन इसके साथ ही चिकनी समाधान 17,18 की ओर जाता है जो सूत्रों के Laplacian, कम से कम है. Loreta अनुकरण पढ़ाई 19,20 में एकल स्रोतों के लिए सबसे अच्छा प्रदर्शन करने के लिए पाया गया है. हालांकि, Loreta समाधान के समरेखण से अधिक हो सकता है. सूत्रों अनजान हैं या कई स्रोतों से 13, 16 से उपस्थित होने की संभावना है जब गहराई भारित MNE बेहतर है. विभिन्न मॉडल मान्यताओं के प्रभाव का मूल्यांकन करने के लिए विभिन्न एल्गोरिदम के परिणामों की तुलना की सिफारिश की है.
संक्षेप में, मॉडलिंग तरीकों के माध्यम से स्रोत पुनर्निर्माण हाल ही में जब तक बच्चों के लिए सीमित किया गया है. सबसे ईईजी विश्लेषण सॉफ्टवेयर काफी हद तक बच्चों 2,8 में स्रोत समाधान की सटीकता की सीमा है कि वयस्क शरीर रचना विज्ञान पर आधारित सिर मॉडल पर निर्भर करता है क्योंकि यह है. कम्प्यूटेशनल शक्ति और प्रावधान के लिए सस्ती पहुँचस्रोत पुनर्निर्माण के लिए उपयोगकर्ता के अनुकूल सॉफ्टवेयर यह संभव है कि इन सीमाओं को पार करने के लिए बनाते हैं. ईईजी स्रोत आकलन लागू करने से अकेले चैनल स्तर टिप्पणियों पर आधारित विश्लेषण पर दो महत्वपूर्ण लाभ प्रदान करता है: स्थानिक संकल्प और टिप्पणियों की स्वतंत्रता में सुधार हुआ.
स्रोत आकलन कुछ मामलों में जानकारीपूर्ण नहीं हो सकता: सिर की अच्छी कवरेज के सूत्रों भेद करने के लिए आवश्यक है. 128 या अधिक इलेक्ट्रोड के साथ उच्च घनत्व सिस्टम 10,15 सिफारिश कर रहे हैं; एक sparser कवरेज अधिक व्यापक प्रसार स्रोत सक्रियण या झूठी नकारात्मक परिणाम 10 के प्रमुख स्थानिक फिल्टर के रूप में कार्य करेगा. इसके अलावा, इस आलेख में वर्णित विधि पर आधारित स्रोत पुनर्निर्माण केवल cortical जनरेटर के लिए सूचित किया गया है. इसलिए, यह subcortical substrates या cortical subcortical बातचीत के बारे में परीक्षण परिकल्पना के लिए कम उपयुक्त है. अन्त में, स्रोत विश्लेषण, cortical substrates के बारे में विस्तृत पूर्व परिकल्पना पर आधारित होना चाहिएखाते में अन्य इमेजिंग तौर तरीकों से मौजूदा साहित्य ले रही है. स्थानिक फ़िल्टरिंग तकनीक भी खोपड़ी स्तर पर स्थानिक मिश्रण को कम करने से ईईजी संकेत के स्थानिक संकल्प में सुधार करने के लिए इस्तेमाल किया जा सकता है. सिर मॉडलिंग बिना मात्रा चालन प्रभाव के प्रभाव को कम करने के लिए वैकल्पिक तरीकों का इस्तेमाल किया जाता जैसे, Laplacian छानने 21 या वर्तमान स्रोत घनत्व विश्लेषण 22. मात्रा चालन प्रभाव नहीं ही कर रहे करीब स्थानिक निकटता 1 में सेंसर के लिए प्रतिबंधित के रूप में हालांकि, इन तरीकों तंत्रिका जनरेटर के बारे में अधिक जानकारी प्रदान नहीं करते हैं.
निम्न अनुभाग में, लेख मस्तिष्क और उम्र के 2 साल से बच्चों में संज्ञानात्मक समारोह की जांच के लिए प्रयोगों लंदन बेबी लैब में तैयार कर रहे हैं कैसे करें. अगला, बच्चों के साथ उच्च घनत्व कम प्रतिबाधा सिस्टम के साथ ईईजी डाटा अधिग्रहण पर चर्चा की है. फिर, चैनल स्तर पर ईईजी preprocessing और विश्लेषण प्रस्तुत किया है. Lastlवाई, लेख cortical स्रोत पुनर्निर्माण और स्रोत स्तर संकेतों के विश्लेषण के लिए संरचनात्मक एमआरआई डेटा के प्रसंस्करण पर केंद्रित है.
वर्तमान लेख उम्र के बच्चों के लिए उपयुक्त एक मानक ईआरपी प्रतिमान में उपयुक्त औसत एमआरआई टेम्पलेट्स और गहराई भारित न्यूनतम आदर्श अनुमान के आधार पर सीमा तत्व मॉडल का उपयोग cortical जनरेटर के पुनर्निर्माण क?…
The authors have nothing to disclose.
हम हमारे विकास एमआरआई डेटाबेस और उपयोगी विचार विमर्श करने के लिए पहुँच देने के लिए प्रो जॉन रिचर्ड्स, दक्षिण कैरोलिना विश्वविद्यालय, धन्यवाद देना चाहता हूँ. हम भी अपने funders ग्रेट Ormond स्ट्रीट बच्चों के दान, UCL प्रभाव और चुनौतियां ग्रैंड धन्यवाद देना चाहूंगा.
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. |