Cortical Kilde Analyse av høy tetthet EEG Recordings hos barn

Summary

I de senere årene har det vært økende interesse for å estimere de kortikale kilder skalp målt elektrisk aktivitet for kognitiv nevrovitenskap eksperimenter. Denne artikkelen beskriver hvordan høy tetthet EEG er anskaffet og hvordan opptakene er behandlet for cortical kilde estimering hos barn fra fylte 2 år på London baby Lab.

Abstract

EEG er vanligvis beskrives som en neuroimaging teknikk med høyere tids-og lav romlig oppløsning. Nylige fremskritt i biofysiske modellering og signalbehandling gjør det mulig å utnytte informasjon fra andre bildediagnostikk som strukturell MRI som gir høy romlig oppløsning for å overvinne denne begrensningen ^1.. Dette er spesielt nyttig for undersøkelser som krever høy oppløsning i tinning samt romlige domenet. I tillegg, på grunn av den enkle anvendelse og lave kostnader for EEG opptak, er EEG ofte metoden for valg når man arbeider med populasjoner, slik som små barn, som ikke tåler funksjonelle MR godt. Imidlertid, for å undersøke hvilke nevrale substrater som er involvert, anatomisk informasjon fra strukturell MRI er fortsatt nødvendig. De fleste EEG analyse pakker jobbe med standard hodemodeller som er basert på voksen anatomi. Nøyaktigheten av disse modellene når de brukes for barn er begrenset ^2, fordi composition og romlige konfigurasjon av hodet vev endres dramatisk over utviklingen ^tre.

I denne artikkelen gir vi en oversikt over våre siste arbeid i å utnytte hode modeller basert på individuelle strukturelle MR eller aldersspesifikke hode modeller for å rekonstruere de kortikale generatorer av høy tetthet EEG. Denne artikkelen beskriver hvordan EEG opptak er ervervet, behandlet og analysert med pediatriske populasjonen ved London baby Lab, inkludert laboratorieoppsett, oppgave design, EEG forbehandling, MR behandling, og EEG kanalnivå og kildeanalyse.

Introduction

President Barack Obama beskrev den menneskelige hjerne som den neste grensen av vitenskapelige funn med høy viktighet for helse og økonomi ³ (http://www.whitehouse.gov/share/brain-initiative). Men, som alle andre felt i naturfag, nevrovitenskap avhengig fremskritt i metoder og analyseteknikker for fremgang. To brukte ikke invasive verktøy i studier om hjernens funksjon hos mennesker er magnetisk resonans imaging (MRI) og elektroencefalografi (EEG). Disse verktøy utnytte forskjellige fysiske egenskaper og gi forskjellige innsikt i hjernefunksjonen med unike fordeler og ulemper. MRI anvender de magnetiske egenskaper av vannmolekyler i magnetiske felt for å oppnå bilder av levende vev. Emnet må plasseres i en magnet med høy feltstyrke. Deltakeren bevegelse er begrenset i løpet av denne prosedyrer og deltakeren må tolerere støy forårsaket av raske endringer i det magnetiskefelt. I tillegg til strukturbilder, gir MRI også muligheten til å måle endringer i blodoksygenering for å undersøke hjernefunksjon (fmri). I sammendraget, MR tilbyr relativt høy romlig oppløsning på opp til 0,5 mm ³ med moderne høye felt skannere og optimaliserte parametere ^fire. I motsetning til dette er tidsmessig oppløsning av fMRI begrenset til den langsomme kinetikken i BOLD respons, som bare indirekte reflekterer de høye timelige dynamikken i nevrale aktiviteten ^5,6.

På den annen side måler EEG forandringer i elektrisk aktivitet som forårsakes av aktiviteten av neuroner ved elektroder plassert på hodebunnen. Nylige fremskritt innen EEG-teknologi gir rask og enkel anvendelse av sensorer for kort sikt eller lang sikt og stasjonære samt ambulerende opptak. Fordi EEG er mindre restriktiv, er det også den metoden for valg for enkelte deltaker bestander som ikke tåler MR miljøet godt som pediatrisk og vissegeriatriske og psykiatriske populasjoner. Egenskapene til EEG viser en invers mønsteret til de av MRI: de tidsmessig oppløsning er meget høy, med millisekund presisjon, men den romlige oppløsning er begrenset. Elektriske strømmer passerer gjennom forskjellige vev mellom sin generator og EEG-elektroder på overflaten av hodebunnen. Dette fører til blanding og romlig-søl av source-aktivitet er kjent som volumet ledningseffekten. Derfor aktivitet målt ved elektrodene på overflaten av hodebunnen viser aktivitet fra flere kilder som kan være fjernt til plasseringen av elektroden på hodet ^1,7.

Mye arbeid i de senere år har vært dedikert til sammenslåing av MR og EEG for å dra nytte av sine respektive styrker. En linje av arbeidet er dedikert til den samtidige kjøp av EEG og MR i funksjonelle studier. En annen metode er å bruke den romlige informasjonen gitt av strukturell MR for å ta hensyn til volum conduction effekt gjennom biofysiske modellering. Bruken av strukturell informasjon for kilderekonstruksjon for EEG opptak er spesielt nyttig for studier som involverer en pediatriske populasjon. Etterforskningen av utviklingen av hjernens funksjon er sentral for å forstå hvordan komplekse kognitive ferdigheter er bygget på toppen av enkle forløpere ^åtte.

Disse undersøkelsene bidra til å synliggjøre endringer i de nevrale substrater og responsegenskaper som korrelerer med endringer i atferdsmessige ytelse. Imidlertid utgjør etterforskningen av hjernens funksjon og kognisjon under utvikling også spesifikke utfordringer. Spesielt er det mulighet for funksjonell MRI studier begrenset som små barn og spedbarn enten må være sover eller bedøvet å skaffe MR data uten bevegelse gjenstander og negativ innvirkning på deltaker velvære. Videre er EEG oppfattes som mindre risikofylt og invasiv av foreldre, som gjør rekruttering av forskningsdeltakere lettere. There, er EEG metoden for valg for mange undersøkelser av hjernens funksjon hos små barn. Metodiske fremskritt i EEG-systemer tillater bruk av høy tetthet elektrode arrays med 128 eller flere kanaler i løpet av minutter. Enkel påføring og bærekomfort er tilstrekkelig til og med tillate EEG opptak i de yngste spedbarn. Men ofte forskere er ikke bare interessert i de timelige dynamikken i svar på bestemte stimuli, men ønsker også å sammenligne de nevrale substrater som formidler svarene.

En rådende forutsetning i kanalnivå ERP analyse som sammenligner ulike aldersgrupper er at de samme nevrale substrater svare, men at timingen eller respons amplitude varierer mellom alderen ^9. Lignende skalp topografi er ofte brukt som en indikator på tilsvarende underliggende nevrale aktiviteten. Imidlertid kan mange ulike kilde konfigurasjoner føre til lignende skalp topografi ^10. Ved å bruke kilde estimering, Unce dettertainty kan reduseres og kvantifisert. Uavhengighet av observasjonene er kritisk for nettverkskontoer av hjernens funksjon: hvis kildene er blandet, korrelasjoner vil være forutinntatt mot høyere lokal tilkobling. Kilde rekonstruksjon kan anvendes for å redusere denne skjevhet ^11.. Alternativt, kan forskjeller i timing og fase brukes for tilkobling analyse, men disse matematiske modeller krever forutsetninger som er vanskelig å vurdere i ikke simulerte data ^12. Oppsummert gir kilde estimering tilleggsinformasjon til kanalnivå EEG og ERP analyse basert på kunnskap om anatomi og biofysiske egenskaper vev.

Ulike algoritmer har blitt utviklet for å finne løsninger på den inverse problem. Disse algoritmene faller grovt inn i to kategorier: parametriske og ikke parametriske ^13. Parametriske modeller antar ett eller flere dipoler som kan variere i plassering, orientering og styrke. I kontrast, ikke parametriske modeller containa stort antall dipoler med fast plassering og orientering. I disse modellene, er hodebunnen elektriske aktiviteten forklares som en kombinasjon av aktiveringer i de faste dipoler ^10,13,14. Ikke parametrisk, kan distribueres kilde modeller være basert på kunnskap om anatomi og ledningsevne i ulike medier. Boundary Element Modeller innlemme ledeevne for de viktigste vev i hodet med ulike skjell for hjernen, Cerebro spinalvæske, og skallen. Dette er basert på antagelsen om at ledningsevnen er stort sett konstant innenfor hver avdeling, men som markerte endringer skjer på grensen av ulike avdelinger. Elementmodeller er basert på ytterligere segmentering av MR-skanninger til grå og hvit substans, slik at ledeevne kan bli tildelt hver voxel ^15.

I praksis ikke parametriske modeller er spesielt nyttig for kilde gjenoppbygging i komplekse kognitive oppgaver, der antall involverte områder kanikke kjent ^10. Grense element modeller er mest utbredt i dagens litteratur, sannsynligvis fordi de mer nøyaktige Finite Element Modeller utgjøre relativt høy beregningsorientert krav. Videre er det betydelig inter individuell variasjon i grå og hvit substans, slik at fems bør være basert på individuelle MR skanner.

Ikke parametriske modeller krever en andre skritt for å matche hodebunnen målte aktiviteten til spådommer om den videre modell. Igjen, har ulike tilnærminger med forskjellige fordeler og ulemper er diskutert i litteraturen (se Michel et al. 2004 for en oversikt). De mest brukte algoritmer er basert på minimum norm estimering (MNE), som matcher skalp målte aktiviteten til et strømfordeling i termin modell med den laveste totale intensiteten ^16. MNE er forutinntatt mot svake og overfladiske kilder. Dybde vektet FNF algoritmer prøve å redusere overflaten skjevhet ved å innføre vektingmatriser basert på matematiske forutsetninger ^10. Den mye brukt Loreta tilnærming er også basert på vektet MNE, men i tillegg minimerer Laplacian av kilder, noe som fører til jevnere løsninger ^17,18. Loreta har blitt funnet å utføre best for enkeltkilder i simuleringsstudier ^19,20. Imidlertid kan loreta føre til over glatting av løsninger. Dybde vektet MNE er å foretrekke når kildene er ukjent eller flere kilder er sannsynlig å være til stede ^{13, 16.} Det anbefales å sammenligne resultatene av forskjellige algoritmer for å evaluere innflytelsen av forskjellige modell forutsetninger.

I sammendraget, har kilde gjenoppbygging gjennom modelleringsmetoder vært begrenset for barn inntil nylig. Dette er fordi de fleste EEG analyse programvare er avhengig av hodemodeller basert på voksen anatomi som vesentlig begrenser nøyaktigheten av kildekode-løsninger hos barn ^2,8. Den billig tilgang på regnekraft og levering avbrukervennlig programvare for kilderekonstruksjon gjør det mulig å overvinne disse begrensningene. Bruk av kilde estimering til EEG gir to viktige fordeler fremfor analyse basert på kanalnivå observasjoner alene: forbedret romlig oppløsning og uavhengighet av observasjoner.

Kilde estimering er ikke informativt i noen tilfeller: god dekning av hodet er nødvendig for å skille mellom kilder. Høy tetthet systemer med 128 eller flere elektroder anbefales ^10,15; en sparser dekning vil fungere som en romlig filter fører til mer bred spredning kilde aktivering eller falske negative resultater ^10. Videre har kilderekonstruksjon basert på metoden som er beskrevet i denne artikkelen kun blitt rapportert for kortikale generatorer. Derfor er det mindre egnet for testing hypoteser om subkortikal substrater eller kortikale subkortikal interaksjoner. Endelig bør kilde analyse være basert på detaljerte tidligere hypoteser om hjernebark underlag,tar den eksisterende litteratur fra andre bildediagnostikk i betraktning. Romlig filtrering teknikker kan også anvendes for å forbedre romlig oppløsning av EEG-signalet ved å redusere romlig blanding i hodebunnen nivå. Alternative metoder for å redusere påvirkning av volumlednings effekter uten hode modellering brukes, f.eks Laplacian filtrering ²¹ eller Ström Tetthet analyse ^22. Men disse metodene ikke gi mer informasjon om nevrale generatorer som volum lednings effekter er ikke bare begrenset til sensorer i nær romlig nærhet ^en.

I de følgende avsnittene, beskriver artikkelen hvordan eksperimenter for etterforskningen av hjernen og kognitiv funksjon hos barn fra 2 års alder er utformet på London baby Lab. Neste, er EEG datainnsamling med høy tetthet lav impedans systemer med barn diskutert. Deretter blir EEG preprosessering og analyse på kanalnivået presenteres. Lastly, vekt på få behandling av struktur MR-data for kortikale kilderekonstruksjon og analyse av kildenivåsignaler.

Protocol

En. Designing EEG og begivenheter knyttet potensielle eksperimenter for barn

Merk: Et enkelt eksperiment ble utformet for formålene i denne artikkel som kan brukes til å undersøke ansiktsbehandling hos små barn. Følgende avsnitt vil beskrive eksperimentet og forklare hvordan man implementerer den ved hjelp av MATLAB R2012b og Psychtoolbox V3.0.11 ^23,24. Bilder tatt fra NimStim sett emosjonelle ansiktsuttrykk ²⁵ ble brukt for dette eksemplet. Dette stimulus sett er tilgjengelig for forskningsformål ved forespørsel ( http://www.macbrain.org/resources.htm ).

1. Overfør RGB bildene til grå skala for å redusere forskjeller mellom stimuli. Se tabell 1 Merk:. Disse kommandoene krever Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Gratis alternativer kan bli funnet through File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
2. Bruk eksperimentell kontroll programvare for å gjennomføre eksperimentet med presis timing for stimulans presentasjon utløser ved hjelp av en serie med kommandoer (se tabell 1 for et eksempel).

2. Data Acquisition

1. Sørg for at barnet er komfortabel med testmiljøet. Tillat yngre barn å sitte på fanget til sin omsorgsperson eller i en komfortabel barnesetet. La barnet se og føle sensoren nettet før du bruker det til barnets hode. Hvis det er en ekstra netto, har den overordnede også prøve en på, eller plassere en på en dukke eller utstoppede teddy.
2. Mål maksimal hodeomkrets å velge riktig netto størrelse for barnet. Bruk et målebånd og hold det til panne. Deretter måler rundt hodet rundt maksimal omkrets (~ 1cm over inion). Merk: holde en oversikt over den målte hodeomkrets og sensoren netto brukt for senere analyse ^26. Det hjelper hvis foreldrene hodet er også målt til å gjøre barn mer komfortabel med situasjonen.
3. Identifiser toppunktet på hodet i skjæringspunktet mellom midten avstanden mellom panne og inion og venstre og høyre periauricular punkt. Merk dette punkt med en kina penn for å sikre at toppunktet kanalen er riktig plassert ved anvendelse av nettet.
4. Påfør sensor nettet og sørge for at viktige kanaler er på linje med de anatomiske landemerker (Pannetøtten, inion, vertex og venstre / høyre mastoids). Merk: For de mest nøyaktige resultater, kan plasseringen av kanalene på hodet være digitalt anskaffet ved hjelp av spesielle digitaliseringsutstyr. Forskere som ønsker å tilegne seg sensorposisjon bør henvise til de riktige maskinvare og programvare manualer. Alternativt elektrode maps som antar standard plassering av elektroder langs anatomisk landmarks kan brukes. Disse kartene kan bli vridd til alder passende hodemodeller som beskrevet i analysen delen.
5. Pass på at kanalene har god kontakt med hodebunnen ved å plassere sensorene individuelt; vri forsiktig hver sensor fra side til side for å bevege håret ut av veien.
6. Mål kanal gevinster og kanal impedanser. Klikk "Start" for å begynne innspillingen i NETSTATION EEG innspillingen programvare og begynne gain og impedans måling. Hvis målingen ikke starter automatisk, bruke "Calibrate Amplifier" og "Mål Netto impedanser"-knappen.
7. Sjekk innspillingen programvare for kanaler med impedanser høyere enn 50 kohm som vil vises rødt. Påfør ekstra elektrolytt løsning med en pipette til å senke kanal impedanser. Sjekk EEG display for kanaler som viser høy frekvens aktivitet til tross for lav impedans eller merkbart mindre aktivitet enn omkringliggende kanaler (flat linje kanaler). Disse kanalene kan have løs kontakt med hodebunnen og krever justering.
8. For å holde barna komfortabel under EEG forberedelse, lar barnet til å lytte til musikk, se en alder passende tegnefilm eller distrahere dem med en annen eksperimentator, f.eks, blåser såpebobler for småbarn.

Tre. Analyse

1. Forbehandling
   1. Digitalt filtrere dataene med en høy pass filter med en cut off på 0,1 Hz for å fjerne kanalen driver ²⁷ (Tabell 1).
   2. For ERP analyse, påfør et lavpassfilter med en cut off på 30 Hz ²⁷ (Tabell 1).
   3. Epoch de kontinuerlige data i henhold til de trigger koder satt under opptak. For de fleste forsøk, bruke en grunnlinje på 200 msek før stimulus innsettende og en etter stimulus intervall på 600 millisekunder for å dekke det tidsintervall av interesse (tabell 1).
   4. Fjern epoker som inneholder bevegelse eller blink gjenstander: mark channels med en topp til topp amplitude høyere enn 150 mV - justere denne terskelen avhengig av deltaker gruppen og datakvalitet. For konsistens, bruker samme terskel for alle deltakere i en studie. Hvis en kanal er over denne terskelen i mer enn 30% av epoker, fjerne kanalen (kanal aktivitet kan være interpolert fra omkringliggende kanaler, hvis disse inneholder akseptable data). Dersom mer enn 20% av kanalene er merket som dårlig i en epoke, fjern epoke. Hvis mer enn 20% av kanaler er avvist av algoritmen eller mindre enn 50% av epoker beholdes, vurdere å fjerne datasettet fra videre analyse (tabell 1).
      Merk: Den prosent terskler for epoken og kanal avvisning er pleier man som fjerner en tilstrekkelig mengde av støy i vår erfaring. Mengden av artefakt i innspillingen er sannsynlig å være annerledes ved bruk av andre deltakergrupper, eksperimentelle paradigmer eller EEG-systemer. De forskere kan være lurt å justere prosentterskler og sjekke om de er fornøyd med gjenstanden avvisning. Alternativt, kan forskere avvise forsøk som inneholder artefakt gjennom visuell inspeksjon.
   5. Re henvisning til gjennomsnittlige referanse ved å subtrahere den gjennomsnittlige aktiviteten over kanaler fra hver kanal (tabell 1). Merk: Toppunktet elektroden brukes vanligvis som opptaks referanse i NETSTATION.
2. Artifact Korreksjon Bruke Independent Component Analysis
   1. Importere dataene inn i RASKERE verktøykasse ²⁸ og kjøre den automatiske artefakt avvisning algoritme på data (tabell 1).
   2. Bruk det grafiske brukergrensesnittet (GUI) for RASKERE; å åpne GUI, skriv FASTER_GUI inn i kommandolinjen.
   3. Angre velg alternativer for filtrering i filtreringsmenyen som data har allerede blitt filtrert før epoching.
   4. Angi antall kanaler: 126 EEG-kanaler med to electrooculagram (EOG) kanaler.
   5. Skriv innmarkører som brukes for epoching dataene som strenger i en celle matrise. For den presenteres fall gå: {'ansikt', 'scra'} for ansikt og egge ansikt forhold.
   6. Velg kanaler for den uavhengige komponent analyse (ICA). Vanligvis velger alle innspillings kanaler, inkl. mva. eksterne ikke-EEG-kanaler.
   7. Spesifisere input og output-mappen i den høyre ruten i GUI.
   8. Velg riktig kanal fil for innspillingene. Merk: Kanal filer for de fleste EEG system kan enten lastes ned fra produsenten eller kan lastes ned fra EEGLAB nettstedet.
   9. Klikk Kjør for å starte raskere behandling. Avhengig av lengden av opptakene og antall filer, kan denne behandlingen ta flere timer.
   10. Visuelt inspisere opptakene, uavhengige komponent kart og Erps etter behandlingen.
3. Channel Level Analyse av Event-relaterte potensialer data
   1. Kombiner flere kanaler for å danne en virtuell channel med bedre signal til støy-forhold (tabell 1). Merk: Valget av kanaler bør være basert på tidligere rapporter i litteraturen eller a priori hypoteser. Velge kanaler som viser den høyeste amplitude innenfor et gitt tidsvindu er ikke anbefales ^29.
   2. Skaffe tiltak som peak amplitude, mener amplitude og peak ventetid for å karakterisere bølgeform og utføre statistiske tester (tabell 1).
4. Lag avgrensings Element Models (BEM)
   1. Segment den anatomiske MR-undersøkelse med FreeSurfer. Merk: For de mest nøyaktige resultater, basere grensen element modellen på enkelte MR skanner for hver deltaker. Hvis dette ikke er mulig, bør gjennomsnittlig MRI maler som samsvarer med deltakernes alder så tett som mulig brukes. Vær oppmerksom på at BEMs ikke kan brukes til barn under 24 måneder. Grenseelementmodeller anta at hvert skall (hjerne, skallen, hud) består av et lukket skall. Men i yUNGE barn fontanelles i skallen er ikke lukket, som bryter med den lukket skall antakelsen.
      1. For å installere FreeSurfer programvare, først laste det ned fra FreeSurfer nettsiden ( http://freesurfer.net/fswiki/DownloadAndInstall ). Deretter satt opp skallet miljø omfatter FreeSurfer; . for bashrc, inkluderer følgende kommandoer i bashrc filen.:
         1. Eksporter FREESURFER_HOME = / Programmer / freesurfer /
         2. Kilde $ FREESURFER_HOME / FreeSurferEnv.sh
            Merk: Disse kommandoene anta at FreeSurfer mappen er i Programmer-mappen på et Unix-system. Det finnes mer informasjon om hvordan du setter opp FreeSurfer med alternative skall miljøer, f.eks csh / tcsh, eller operativsystemer på FreeSurfer nettsiden ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Deretter definerer Emne retningtory, dvs. mappen at produksjonen vil bli skrevet til ved hjelp av følgende kommando:
         1. eksport SUBJECTS_DIR = / ... / BEMs /
            Merk: Resultatet kan bli skrevet til hvilken som helst mappe på systemet.
      3. Deretter endre arbeidsmappen til mappen som inneholder den MR-filen for Boundary Element Model ved hjelp av følgende kommando:
         1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Barn / Hjerne /
            Merk: Hver mappe på systemet kan spesifiseres ved hjelp av syntaksen til cd-kommandoen. Dette er et eksempel på den primære forskere filstruktur.
      4. Til slutt, starter gjenoppbyggingen ved hjelp av følgende kommandoer:
         1. recon-alt-i <mri_file>-subjid <subject_id>
         2. recon-alt-alt-subjid <subject_id>
            Merk: <mri_file> må byttes ut med filnavnet til de ønskede MR i gjeldende katalog. <subject_id> kan være repfylt med hvilket som helst navn. FreeSurfer vil opprette en mappe med dette navnet i emnekatalogen. Avhengig av hvilket system som benyttes, kan de siste kommandoer krever noen tid for å kjøre.
   2. Kontroller FreeSurfer segmentering for feil segmentering, f.eks. overlappende sfærer, anatomisk usannsynlige avdelinger etc. ved å importere segmentene i Brainstorm og bruke visningsverktøy i GUI:
      1. Velg anatomi ruten i Brainstorm. Importer segmentert MR ved å høyreklikke på emnet og velge "Import Anatomy Folder". Kontroller at mappen med FreeSurfer utgang er valgt. Inspiser segmentering visuelt ved å høyreklikke og velge "Display". Merk: Alternativt kan FreeSurfer kommandoer brukes. En detaljert beskrivelse finner du på FreeSurfer hjemmeside: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Hvis området av interesse analyse basert på anatomiske parcellation er ønsket, FreeSurfer funksjoner mris_ca_label , mri_annotation2label og mri_mergelabels kan brukes. Referer til FreeSurfer publikasjoner og elektroniske hjelpesidene for mer detaljert informasjon.
5. Anslå Kilde aktivitet i Brainstorm
   1. Begynn Brainstorm ved å skrive "brainstorm" i kommandovinduet.
   2. Lag en ny protokoll ved å velge Ny protokoll fra Fil-menyen.
   3. Legg til en ny subject til protokollen ved å velge nytt emne fra Fil-menyen.
   4. Import EEG data for deltakeren ved å høyreklikke på emnet, og velge "Import MEG / EEG".
   5. Importer en kanal fil ved å høyreklikke og velge "Import kanalfilen". Merk: Kanalen filen må justeres til MR for kilde gjenoppbygging. Brainstorm bruker et system med fire anatomiske referansepunkter som brukeren trenger for å markere i MR. Vennligst referer til Brainstorm tutorials for mer informasjon ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Standarden posisjon som er definert av en kanal-fil for en viss EEG-system eller, ideelt sett, kan hodeposisjoner som ble digitalisert før EEG opptak benyttes.
   6. Sjekk at BEM og kanalene justere som forventet: Høyreklikk på kanalfilen for faget og naviger til "MR registrering" og "; Check ". Merk: Hvis kulene innenfor modellen er overlappende, eller dersom kanalene er innenfor BEM, vil kilden rekonstruksjon ukorrekte resultater. Juster justeringen ved å bruke "Edit" i "MR segmentering"-menyen.
   7. Beregn støy kovariansmatrise fra grunnlinjen i hver epoke ved å høyreklikke på deltakeren og velge "Noise kovariansmatrisen" og "Beregn fra Recording". Merk: Forfatterne av Brainstorm verktøykasse anbefaler å bruke en diagonal støy kovariansmatrise for korte opptak (~ mindre tidspunkter enn kanaler) og en full en for lengre opptak. Vennligst henvis til Brainstorm Source Estimering tutorial for mer informasjon: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. Beregn Source Model ved å høyreklikke på emnet og velge "Compute kildekode-modellen ".
   9. Beregn inverse løsningen ved hjelp av dybde vektet Minimum Norm Estimering ved å høyreklikke på emnet, og velge "Compute Source" og "Minimum norm estimering". Merk: Andre alternativer (dSPM, sLORETA) er tilgjengelig. Hvert alternativ har ulike fordeler og ulemper. Algoritmen skal velges basert på a priori betraktninger og tidligere rapporter i litteraturen. Videre, noen algoritmer er bedre å løse focal aktivering i enkelte områder, mens andre er mer egnet for utbredt aktivering. MNE ble brukt for denne studien basert på tidligere rapporter i litteraturen ^16. For konsistens, bør det samme algoritme for inverse løsningen brukes til alle deltakerne i en studie. Forskere kan også være lurt å sammenligne hvor robuste funnene er til anvendelsen av ulike inverse løsningsalgoritmer.
   10. Gjenta punkt 3 for alle deltakerne i studien. Merk: Enten bruke graphical batching grensesnitt eller skript for å gjenta behandlingstrinn for deltakerne. Se Brainstorm dokumentasjonen for instruksjoner ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
   11. Gjennomsnittlig kilde aktivitet over studier per deltakere ved å dra opptakene til Process Meny og velge "gjennomsnittlig" og "Ved tilstand (med forbehold gjennomsnitt)".
   12. Kontrast tilstanden ved å velge "Prosesser 2" og dra hver tilstand i ett vindu. Deretter velger du "Test" og "Student t-test" eller "Student t-test (paret)" avhengig av design. For å utføre flere sammenligninger, satt amplitude og området terskler i visningen av den resulterende statistisk kartet i "Stat"-menyen. Merk: Alternativt kan aktiverings kartene bli eksportert til SPM ( http://www.fil.ion.ucl.ac.uk / spm /) for mer dyptgående statistisk analyse ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
   13. Beregn arrangementet messig respons for et område av interesse. For parcellation basert Rois, laste FreeSurfer parcellation ved å høyreklikke på cortex overflaten i anatomi-menyen og velg "Importer etiketter". Naviger den tilsvarende filen og laste det. Nå, velg en ROI i "Scout"-panelet i den funksjonelle data menyen.
   14. Skaff ROI hendelse relatert aktivitet ved å dra filer til prosessen en vinduet og velg "Pakk Scout Time Series" fra Kilder menyen. Merk: Flere ROIs kan velges samtidig og ROI tidsserier kan eksporteres for videre plotting og analyse ved å høyreklikke på speider tidseriedata og velge "Eksporter til Matlab".

Representative Results

Utforme ERP eksperimenter for spedbarn og barn er ofte utfordrende, på grunn av deres begrensede kapasitet til å tåle lange repeterende eksperimenter ^30. Dette problemet blir ytterligere forverret når eksperimentator planlegger å anvende kilde rekonstruksjon, fordi nøyaktig kilde gjenoppbygging vil kreve et høyt signal til støy-forhold ^en. Figur 1 viser en eksperimentell protokoll for etterforskningen av ansiktsprosesseringsmekanismer som kan brukes med svært små barn. Paradigmet er tilpasset a) redusere øye blinker og øyebevegelser under stimulus presentasjon, fordi barna vil være mindre i stand til å kontrollere øyebevegelser enn voksne frivillige b) gjøre forsøket mer engasjerende ved å legge oppmerksomhet grabbers etter inter stimulus intervall. Eye blinker og øyebevegelser styres ved å presentere en fiksering kryss like før stimulans for å trekke oppmerksomhet til midten av skjermen. Videre stimulus varigheter satt til 500 ms, noe som gjør at den bevisste oppfattelsen av stimulans mens minimere tiden for å skanne bildet med øyebevegelser. Den oppmerksomhet grabben består av en barnevennlig image presentert med en simultan lyd. En tilfeldig utvalg av forskjellige oppmerksomhet greps stimuli kan brukes for å holde aktiviteten av interesse for barnet. Den neste prøveperiode kan startes ved experimenter, da det er klart fra overvåkingssystem som barnet ser på midten av skjermen på nytt. I tillegg kan fortellinger brukes til å hjelpe ungdommer delta på skjermen. Det er ofte nyttig å øve oppgaver med barn før EEG opptak å sørge for at barnet forstår oppgaven. Screening spørsmål eller skårer oppnådd i praksis økten kan brukes som kovariater i senere analyser.

Ved beregning av antall gjentakelser som kreves for eksperimentet, er det viktig å ta hensyn til at mange forsøk kan gå tapt på grunn av uoppmerksomhet or bevegelse gjenstand når man jobber med barn. Som en tommelfingerregel, bør det nødvendige antall repetisjoner bli doblet sammenlignet med voksne studier eller rekruttere et større antall deltakere. Den oppmerksomheten span og samarbeid er begrenset hos barn sammenlignet med voksne. Derfor holder de spesielle behovene til barn i tankene når du utformer oppgaven. En lang oppgave kan deles opp i flere blokker med kortere oppgaver med pauser i mellom. Vanligvis er antall tilstander som kan bli inkludert i forsøket mindre for meget små barn, da de ikke vil være i stand til å samarbeide for lengre perioder kreves for å oppnå tilstrekkelige forsøk for mange stimuleringsbetingelser.

Tallene som presenteres er basert på et opptak med en 6 år gammel gutt (6 år 3 måneder). Hodet modellen var basert på en gjennomsnittlig MR mal av 6 åringer ^31. Figur 5 viser kanalnivå hendelse relatert potensielle svar (ERP) til ansikt og egge ansikt stimuli. Den waveform av ERP løpet bakre kanaler viser ventet mønster av et positivt utslag fulgt av et negativt utslag, og en etterfølgende bred positive utslag. Basert på topografi, tidsforløp og arten av paradigme Disse avbøyninger er sannsynlig å representere P100, N1 og sen positivt potensial komponent. Videre er den tidlige negative utslag betydelig større for ansikt stimuli i forhold til egge ansikter. Derfor er det sannsynlig å reflektere ansiktet spesifikk N170 komponent. De topografiske kartene i Figur 5 viser spenningsfordelingen mellom 250 og 300 msek. Negativ spenning med en maksimal over høyre bakhode-temporale kanaler i ansiktene tilstanden er tydelig.

Figur 6 viser den statistiske sammenligning av kilde-aktivitet projisert basert på en standardmodell voksen hode og en alder passende hodemodellen. Kilde rekonstruksjon var basert på en grense element modellen (BEM) med dybde vektetminimum norm estimering (wMNE) og full støy kovariansmatrise i Brainstorm v. 3.1 ^32. Standard MNI Colin27 BEM ble brukt som den voksne modellen. Kilde aktivitet ble i gjennomsnitt over tid mellom 250 og 300 msek i tråd med ansikt konkrete svarene på kanalnivå.

Kartet viser resultatene av en Student t-test sammenligning mellom ansikter og egge ansikter tilstand Korrigert for multiple sammenligninger ved hjelp av falske funnraten (FDR). Resultatene viser en betydelig sterkere kildeaktivering over tinnings i ansiktene i forhold til det forvrengte ansikter tilstand. Den lokalisering ved hjelp av alder riktig modell er mer brennvidde med sterke forskjeller på ventral overflaten av tinning cortex. Lokalisering basert på den voksne hodet modellen er mer spre og viser kilde aktivitet forskjeller på høyre medial og overlegen time gyrus som er stort sett fraværende på kartet basert på alder riktig hode modell.

Figur 1. Eksempel på et ansikt oppfatning eksperimentere passer over et bredt aldersspredningen Eksperimentet består av visuell presentasjon av bilder av ansikter eller egge ansikter. De stimuli er fysisk identiske, men den romlige ordning er randomisert i egge tilstand. Hver rettssaken begynner med sentrale presentasjon av en fiksering korset for å minimere øyebevegelser under stimulus presentasjon. Varigheten av fiksering korset presentasjonen er randomiserte å unngå påvirkning av entrainment over flere repetisjoner. Den stimulans er presentert over en varighet på 500 millisekunder. Den korte varigheten også minimere sjansen for øyebevegelser under presentasjonen vinduet. En oppmerksomhet gripe tak stimulus presenteres etter en inter rettssaken intervall med tilfeldig varighet på mellom 1 sek og 2 sek. Den itention grabben er spesielt nyttig for svært unge deltakere som ikke er egnet til å ivareta mange prøvelser av ikke engasjerende materiale i sekvens. Eksperimentet kan starte neste rettssak, når deltakeren ser på skjermen i respons til oppmerksomhet grabben.

Figur 2. Flytdiagram for terskel avvisning algoritmen. Algoritmen sammen maksimum av EEG hver kanal i hver epoke til en fast terskel. Hvis en kanal inneholder maksimal aktivitet over terskelen, blir kanalen som er merket som dårlig. Hvis mer enn 20% av kanalene er dårlige i en gitt epoke blir epoke avvist. Etter epoke avvisning, er den maksimale aktivitet i hver kanal i forhold til terskelen på nytt. Hvis en kanal inneholder aktivitet over terskelen på mer enn 30% av alle epoker, kanalen avvist. Dersom mer enn 20% av kanalene er avvist av denne prosedyren eller mindre enn 50% av epoker per tilstand er igjen etter epoke avvisning, bør datasettet bli ekskludert fra videre analyse. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 3. Automatisk artefakt korrigering bruker RASKERE verktøykasse ^28. Figuren viser alternativer som må endres for å bruke RASKERE verktøykasse med oppsettet og behandling rørledning beskrevet i denne artikkelen:.. En Filtrering bør deaktiveres, fordi datasettet har allerede blitt filtrert 2 Antallet kanaler må justeres. EEG-systemet som brukes i denne artikkelen har 126 kanaler med2 EOG kanaler. 3. Event-markører for tiden låsing behov for å bli spesifisert som en celle rekke strenger. Fire. Tidsvinduet for hendelsen relaterte responsen må være levert. Dette må være identisk med det vindu som brukes i den tidligere epoching trinn. Fem. Brukeren må definere kanaler for den uavhengige komponent analyse (ICA). I de fleste tilfeller vil dette omfatte alle EEG-kanaler og relevante eksterne kanaler som øyet kanaler (EOG). 6. Indeksene i øyet kanaler må også justeres til EEG-systemet som brukes. For EEG-systemet beskrevet, ville disse være kanaler 125 og 128. Vennligst klikk her for å se en større versjon av dette tallet.

Figure fire. Source analyse i Brainstorm ^32. en. Etter import av EEG datasett og FreeSurfer overflater, Boundary Element Model (BEM) kan beregnes ved å velge "Compute hodet modell" i "Source"-menyen. 2. Støyen kovariansmatrise kan beregnes fra opptakene ved å velge "Compute støy kovarians". Dersom registreringen er lang nok, det vil si flere tidspunkter enn sensorer, full kovariansmatrise kan beregnes, hvis ikke en diagonal matrise anbefales. Tre. Efter at hodemodellen og støy kovariansmatrise, er det mulig å oppnå den inverse løsning. Forskjellige algoritmer kan benyttes. Dybden vektet Minimum Norm Estimering (wMNE) algoritme ble brukt for denne artikkelen. Fire. Klokka løpet av kilde aktivitet i områder av interesse (ROI) kan hentes ut, ved å velge "Extract Scout Time Series" f ROM "Source"-menyen. ROIs fra automatisk kortikale parcellation i FreeSurfer ble brukt i dette eksemplet. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 5. Begivenhet relaterte potensialer respons (ERP) til ansikt og egge ansikt stimuli over høyre bakhodetimelige kanaler. ERP viser en mer negativ utslag mellom 130 og 220 msek etter stimulans utbruddet på høyre side for ansikter i forhold til egge ansikter. Disse egenskapene er i tråd med tidligere rapporter om N170 komponent ^33. Vennligst klikk her for å se en større versjon av dette tallet.

ove_content "fo: keep-together.within-page =" always ">
Figur 6. Sammenligning av kilde lokalisering mellom en standard voksen hodet modell og en passende hodemodell. Den øverste raden av figuren viser MNI voksen grensen hodet modell colin27 på venstre side og en alder passende hodemodell basert på en FreeSurfer parcellation av en gjennomsnittlig MR mal for seks år gamle barn på høyre side. Lokaliseringen av coregistered elektrode steder blir også presentert. Innspillingen var hentet fra en seks år gammel gutt (6 år 3 måneder). Den andre og tredje rad viser resultatene av en statistisk sammenligning mellom aktiverings kart MNE kilde gjenoppbygging i ansiktene i forhold til egge ansikter tilstand basert på en t-test korrigert for multippel sammenligning bruker False Discovery Rate (FDR). Fargekart illustrerer effekten størrelse med rødt indikerer høyere aktiviteti ansiktene tilstand og blått viser høyere aktivitet i egge ansikter tilstand. Vær oppmerksom på at ingen amplitude eller størrelse terskler ble brukt. Den lokalisering vises mer brennvidde på ventral overflaten av tinning stativ ved hjelp av alder riktig hode modellen i forhold til den voksne BEM. Vennligst klikk her for å se en større versjon av dette tallet.

Figur 7. Source ERP av retten fusiforme gyrus svar på ansikter og egge ansikter basert på kilde rekonstruksjon av et opptak hentet fra en seks år gammel gutt (6 år 3 måneder) ved hjelp av en alder passende BEM med MNE Kilden ERP vise en mer negative utslag rundt 250 msek etter stimulans utbruddet i ansiktene tilstand i forhold til de scrambled ansikter tilstand. Denne aktiviteten vil trolig gjenspeile bidrag av de riktige fusiform gyrus til N170 komponent i ansiktene tilstand.

<td>

Inngang for trinn 1.1	Beskrivelse
input_image = imread ('/ Users / some_user / images / example.jpeg');	% Leserbilde
gray_image = rgb2gray (input_image);	% Overføring fra RGB til grå skala
saveas (gray_image, 'grey_image.tiff')	% Lagre nytt bilde
Inngang for trinn 1.2	Beskrivelse
Kode Eksempel:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Housekeeping
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
CLC	% clearing variabler fra arbeidsområdet
fjerne alle
lukk alle	% Innstilling lyddrivere til lav latency-modus
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Variabler
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings ERP Lab Users Mine dokumenter Matlab Faces_Houses ';	% Definerer arbeidsmappen
NETSTATION = 1;
	% Dette veksler kommunikasjon med NETSTATION EEG innspillingen programvare
	% Definere antall forsøk
no_of_trials = 80;	% Samlende tastatur navn for enkel portabilitet between Unix og PC-versjoner
KbName ('UnifyKeyNames')	% Definerer en variabel for en flukt tastetrykk
escapeKey = KbName ('ESCAPE');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Laster stimuli
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: Documents and Settings ERP Lab Users Mine dokumenter Matlab Faces_Houses Faces ');	% Forsyne mappen med stimuli bilder
filer = dir (face_directory);	% Generere en liste med alle bilde stimuli
ansikter = {files.name};
ansikter (01:02) = [];
grabbers = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / grabbers /');	</ Td>
Pinsett = {grabbers.name};
grabbers (01:02) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / lyder /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (01:02) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Starte eksperiment
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
hvis NETSTATION == 1; NETSTATION ('Connect', '194 .82.245.131 ', '55513')	% Synkronisering med innspillingen programvare
NETSTATION ('Synkroniser', 10)	% Synkronisering i 10 msek av nøyaktighet
NETSTATION ('StartRecording')	% Starter opptak
ende
% Sette opp skjermen
screenNum = 0;	% Identifikasjonsnummer av presentasjonsskjermen
	% Definere et vindu for stimulans presentasjon
[Display.w, display.rect] = Screen ('OpenWindow', screenNum, 0);
[WPtr, rect] = Screen ('OpenWindow', screenNum);	% Skjule musepekeren
HideCursor;
svart = BlackIndex (wPtr);	% Sette bakgrunnen til svart
Screen ('FillRect', wPtr, svart);	% Definere font og skriftstørrelse for tekstvisning
Screen ('TextFont', display.w, 'Arial');
Screen ('Tekststørrelse', display.w, 32);
Screen ('TextStyle', display.w, 0);
for i = 1: no_of_trials
FlushEvents
randomizeren = randi (2);
	% Tilfeldig velge en oppmerksomhet grabben bilde
attention_grabber = imread (strcat (input_folder, 'grabbers /', cell2mat (Pinsett (randi (lengde (grabbers))))));
[Lyder, fs, nbits] = wavread (strcat (input_folder, 'lyder /', cell2mat (grabber_sounds (randi (lengde (grabbers))))));
audio_handle = PsychPortAudio ('Open', [], [], 0, fs, lengde (lyder (1, :)));
høres = lyder ';	% Tilfeldig velge en oppmerksomhet grabben lyd
PsychPortAudio ('FillBuffer', audio_handle, lyder);
	% Setter opp lyden presentasjon
stimulus = strcat (face_directory, ansikter (randi (lengde (ansikter))));
stimulus = imread (cell2mat (stimulus));	% Dette randomises presentasjonen av ansikter og egge ansikter
hvis randomizeren == 2;	% Lasting av stimulus som ble tilfeldig valgt fra listen over stimuli
stimulus = stimulus (randperm (lengde (stimulus (:, 1))), randperm (lengde (stimulus (1, :))));
ende	% Scrambling stimulans matrise, dersom rettssaken er en egge rettssak
Stim = Screen ('MakeTexture', wPtr, dobbel (stimulus)); % Stimulus
	% Forbereder stimulans for presentasjon
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Trial
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
	% Denne delen er kun relevant for den første rettssaken
hvis jeg == 1;
[Nx, ny, box] = DrawFormattedText (wPtr, 'Trykk en tast for å starte', 'sentrum', 'sentrum', [255 255 255]);
Screen ('FrameRect', wPtr, 0, boks);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);	% For den første rettssaken, teksten "Trykk en tast for å starte" er presentert før en tast trykkes
KbWait ([], 2);
[Nx, ny, box] = DrawFormattedText (display.w, '', 'sentrum', 'sentrum', 255); % Blank skjerm
Screen ('FrameRect', display.w, 0, boks);		[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
ende
% Fixation Cross
[Nx, ny, BBox] = DrawFormattedText (wPtr, '+', 'sentrum', 'sentrum', 255);
Screen ('FrameRect', display.w, 0, BBox);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);	% Forbereder et hvitt plusstegn i midten av skjermen som fiksering korset
hvis NETSTATION == 1;	% Presentere fiksering korset
NETSTATION ('event', 'fix +', StimulusOnsetTim) end
	% Sender en trigger med tidsangivelsen for fiksering kryss presentasjon og koden "fix +" til EEG innspillingen programvare
% Begrensende presentasjon tidspunktet for fiksering kryss til en tilfeldig varighet på mellom 0,15 og 0,2 sek
% Stimulus	% Presentere ansiktet eller egge ansikt stimulans
Screen ('DrawTexture', wPtr, Stim);
[VBLTimestamp StimulusOnsetTim] = Screen (wPtr, 'Flip');
hvis NETSTATION == 1;	% Sende trigger med tidsstempel og kode "ansikt" eller "scra 'ansikt til EEG innspillingen programvare
hvis randomizeren == 1;
NETSTATION ('event', 'ansikt', StimulusOnsetTim)
elseif randomizeren == 2;
NETSTATION ('event', 'scra', StimulusOnsetTim)
ende
ende
WaitSecs (0,5)	% Limit stimulans varighet til 500 msek
	% Presentere en blank skjerm
[Nx, ny, box] = DrawFormattedText (wPtr, '', 'sentrum', 'sentrum', 255); % Blank skjerm
Screen ('FrameRect', wPtr, 0, boks);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
WaitSecs (1 + rand (1))	% Inter rettssaken intervall med en tilfeldig varighet på mellom ett og to sek
% Attention grabber	% Presentere oppmerksomhet grabben med lyd
Screen ('DrawTexture', wPtr, grabber);
høres = PsychPortAudio ('Start', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip';, WPtr);
hvis NETSTATION == 1;
NETSTATION ('event', 'grbr', StimulusOnsetTim)	% Sende tidsstempel og kode for oppmerksomhet grabben til EEG innspillingen programvare
ende
	% Presentere oppmerksomhet grabben og lyd til en tast på tastaturet trykkes
KbWait ([], 2);
PsychPortAudio ("Stopp", audio_handle);
Screen ('FrameRect', display.w, 0, boks);	% Avbryte forsøket, hvis Escape-knappen ble trykket
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
[KeyIsDown, timeSecs, Keycode] = KbCheck; hvis keyIsDown
hvis Keycode (escapeKey)
sca
NETSTATION ('stoprecording')
retur
ende
ende	% Lukke eksperimentet og stoppe EEG-opptak ved slutten av forsøket
ende
Screen ('CloseAll');
hvis NETSTATION == 1;
NETSTATION ('stoprecording')
ende
Inngang for trinn 3.1.1	Beskrivelse
OUTEEG = pop_eegfilt (INEEG, 0.1, []);	% OUTEEG = EEG data etter filtrering, altså. funksjon utgang
	% INEEG = EEG data før filtrering, dvs. funksjon inngang
	% 0,1: high pass avskåret frekvens
	% []: Lavpass-cut-off, udefinert fordi en høy-pass-filter er ønskelig
Inngang for trinn 3.1.2	Beskrivelse
OUTEEG = pop_eegfilt (INEEG, [], 30);	% []: High pass avskåret, udefinert fordi et lavpassfilter er ønskelig
	% 30: low-pass cut-off frekvens
Inngang for trinn 3.1.3	Beskrivelse
OUTEEG = pop_epoch (INEEG, 'event', {'ansikt', 'scra'}, [-0,2 0,6]);	% Epoching
	% 'Event', {'ansikt', 'scra'}: funksjonen er fortalt å bruke utløse hendelser 'ansikt' og 'scra' som tiden låsing markører. Disse utløser ble definert i forsøket skriptet for å markere starten på ansiktet og egge ansikt stimulus presentasjon utbruddet.
	% [-0,2 0,6] = tidsvinduet for ERP fra 0,2 sek før tiden låsing hendelse til 0,6 sek
OUTEEG = pop_rmbase (EEG, [-0,2 0]);	% Fjerne baseline
	% [-0,2 0]: referansetidsvindu, dvs. 0,2 sek før tiden låsing hendelsen til den tid låse arrangementet
Inngang for trinn 3.1.4	Beskrivelse
Funksjonen [EEG] = threshold_rejection (EEG, terskel)	% Funksjonsdefinisjonen, funksjonen krever en EEG datasett struktur og en terskel i μV
for j = 01:02
for i = 1: length (EEG.data (1,1, :))	% Dette looper går gjennom alle epoker i en gitt EEG datasett
data = EEG.data (:,:, i);
data = data - mean (data, 2);	% Trekke fra the betyr aktivitet for å unngå påvirkning av amplitudeendringer
maxima = max (abs (data '))';	% Identifisere den maksimale absolutte aktivitet i alle kanalene
bad_channels = maxima> terskel;
channel_rejection (:, i) = bad_channels;
hvis sum (bad_channels)> 0,2 * 128	% Hvis mer enn 20% av kanaler er over terskelen, blir det epoke som er merket for avvisning
epoch_rejection (i) = 1;
annet
epoch_rejection (i) = 0;
ende
ende
hvis j == 1;	% Velger bare de epokene som ikke er merket som dårlig
EEG = pop_select (EEG, 'rettssak', finne (epoch_rejection == 0))
annet	% Mark kanaler som er dårlig i mer enn 20% av epoker etter epoke avvisning for kanal avvisning
bad_channels = mean (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, finne (bad_channels == 1), 'sfærisk');	% Gjelder sfærisk interpolasjon til dårlige kanaler
ende
ende
Inngang for trinn 3.1.5	Beskrivelse
EEG = pop_reref (EEG, []);	% Beregner gjennomsnittlige referanse
Inngang for trinn 3.2.1	Beskrivelse
kanaler = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % Rett N170	% bakhode-timelige kanaler av den høyre hjernehalvdelen% for N170 svarene ved hjelp av kanal etiketter for% 128 kanaler Geodesic Hydrocel Sensor Net
EEG = pop_select (EEG, "kanal", kanaler);	% Valg av kanaler
Virtual_channel = mean (EEG.data, 1);	% Kombinere de individuelle kanaler til en virtuell kanal
Inngang for trinn 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 innen en ventetid vindu for hver deltaker i μV
N170_peaklatency = 1000 * (Finn (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 ventetid i msek
N170_mean = mean (averaged_ERPs:, 0,13 * srate 0,2 * srate: 0,2 * srate 0,2 * srate), [], 2);	% Mean amplitude i μV

Tabell 1. MATLAB-kommandoer for å implementere the eksempel eksperiment og analysere høy tetthet EEG opptak på kanal-og kilde-nivå. Tabellen oppsummerer koden for å implementere ansiktene vs egge ansikter eksempel eksperiment. Videre, er koden for pre behandling av rå EEG presenteres. I tillegg er fremgangsmåter for å utvinne bølgeformegenskaper for kanal nivå analyse av arrangementet relatert respons er vist.

Discussion

Denne artikkelen beskriver opptak og analyse av høy tetthet EEG for rekonstruksjon av kortikale generatorer som bruker grense element modeller basert på alder passende gjennomsnittlig MRI maler og dybde vektet minimum norm estimering i en standard ERP paradigme egnet for barn. I dette paradigmet, er bilder av ansikter og egge ansikter presenteres. Ulike forfattere brukt dette paradigmet å undersøke utviklingen av ansiktsprosesseringsmekanismer over utviklingen ^35. På kanalnivå, er mer negative nedbøyninger over høyre bakhodetimelige kanaler beskrevet for ansiktet tilstanden til egge ansiktet tilstand. Topografien, ventetid og respons karakteristiske er konsistente med N170 komponent ^34. Forrige kilde og samtidige EEG fMRI undersøkelser rapporterer at fusiforme gyrus er en sannsynlig generator av N170 respons. Resultatene av foreliggende analyse viser at kilden inversjon med en dybde veid grenseelement modellen (BEM) kan brukes til å lokalisere kilden aktivitet i fusiforme gyrus i ansiktet egge ansiktet paradigme på nivået av den enkelte deltaker. Bruken av hode modeller basert på den enkelte deltakers anatomi eller bruk av alder riktig gjennomsnitt anatomiske skanner for utviklingsstudier, der den enkelte anatomi ikke er tilgjengelig, vil tillate den mest nøyaktige kilden lokalisering ^to. Videre kan identifiseres regioner av interesse basert på anatomiske kunnskap eller automatiske parcellation algoritmer for å undersøke arrangement relatert respons av bestemte kortikale regioner.

Det er flere begrensninger kilderekonstruksjon, spesielt i utviklingsmessige prøver, i øyeblikket. Først kilde rekonstruksjon basert på gjennomsnitts maler for ulike aldersgrupper forutsetter at den enkelte viser typiske hjernens utvikling for sin kronologiske alder, noe som kanskje ikke nødvendigvis være tilfelle, spesielt i pasientgrupper. Foreksempel ulike studier beskrevet atypiske baner i hjernen vekst for barn født preterm ³⁶ eller barn med autisme ^37. Det er vanskelig å anslå hvor disse anatomiske forskjeller vil påvirke nøyaktigheten av den inverse løsning og skjevhet resultatene av sammenligninger mellom atypiske og typiske kontrollgrupper.

For det andre gjør termin modeller som grensen element modellen (BEM) ikke innlemme ledningsevne inhomogeneities innenfor avdelinger, for eksempel, forskjeller mellom grå og hvit substans. Nøyaktigheten for subkortikal kilder er derfor begrenset. Source løsninger ble begrenset til kortikale kilder av den grunn. Elementmodeller kan brukes for mer nøyaktig oppløsning av subkortikale generatorer. Med løsninger begrenset til hjernebarken, er det viktig å huske på at aktivering i kortikale regioner kan reflektere underliggende subcortical årsaksmekanismer, f.eks, tilbakemeldinger kommunikasjon via thalamic sløyfer.Derfor er årsaks slutninger om involvering av kortikale regioner begrenset med mindre mer komplekse modeller benyttes som er foreløpig kun tilgjengelig for vanlig voksen anatomi, f.eks, Dynamic Årsaksmodellering ^38,39.

Videre Boundary element modeller anta lukkede skall for hver avdeling. Men unge spedbarn har myke flekker i deres hodeskaller, hvor sting mellom kranie bein ikke er fullt slått sammen ^15. Dette brudd på BEM forutsetninger sterkt begrenser anvendeligheten av kilde rekonstruksjon med BEMs hos spedbarn yngre enn to år. Elementmodeller kan brukes for kilde rekonstruksjon i denne aldersgruppen.

For det tredje, selv om alderstilpassede hodemodeller ble anvendt for kilden rekonstruksjon ble konduktivitetsverdier basert på voksne prøver brukes for å modellere ledningsevne innenfor hvert kammer. Imidlertid er vev ledningsevne sannsynligvis endres over utviklingen, f.eks., Gjennomøker i bentetthet ^15. Ledeevne for vevstyper som brukes i BEMs for menneske spedbarn og barn er for øyeblikket ikke tilgjengelig for vår kunnskap.

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).