Waiting
Login processing...

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

Behavior

Cortical Fonte Análise de alta densidade EEG Recordings em Crianças

Published: June 30, 2014 doi: 10.3791/51705

Summary

Nos últimos anos, tem havido um crescente interesse em estimar as fontes corticais de couro cabeludo medidos atividade elétrica para experimentos de neurociência cognitiva. Este artigo descreve como EEG de alta densidade é adquirido e como gravações são processados ​​para a estimativa fonte cortical em crianças a partir da idade de 2 anos no bebê Lab Londres.

Abstract

EEG é tradicionalmente descrito como uma técnica de neuroimagem com alta resolução espacial e temporal baixa. Os recentes avanços em modelagem biofísica e processamento de sinais permitem explorar a informação de outras modalidades de imagem, como ressonância magnética estrutural que oferece alta resolução espacial para superar essa restrição 1. Isto é especialmente útil para as investigações que exigem alta resolução no temporal, bem como domínio espacial. Além disso, devido à fácil aplicação e baixo custo de EEG, EEG é muitas vezes o método de escolha quando se trabalha com populações, como as crianças, que não toleram a ressonância magnética funcional varre bem. No entanto, a fim de investigar os substratos neurais estão envolvidas, a informação anatómica de MRI estrutural é ainda necessária. A maioria dos pacotes de análise de EEG trabalhar com modelos de cabeça padrão que são baseados na anatomia de um adulto. A precisão destes modelos quando usados ​​para as crianças é limitada 2, porque o composition e configuração espacial da cabeça tecidos muda drasticamente ao longo do desenvolvimento 3.

No presente artigo, oferecemos uma visão geral do nosso trabalho recente na utilização de modelos de cabeça com base em exames de ressonância magnética estrutural individuais ou modelos de cabeça específicos de idade para reconstruir os geradores corticais de alta densidade EEG. Este artigo descreve como EEG são adquiridos, processados ​​e analisados ​​com populações pediátricas no bebê Lab Londres, incluindo a instalação do laboratório, design tarefa, EEG pré-processamento, processamento de ressonância magnética, e nível de canal EEG e análise da fonte.

Introduction

O presidente Barack Obama descreveu o cérebro humano como a próxima fronteira da descoberta científica, com grande importância para a saúde e economia 3 (http://www.whitehouse.gov/share/brain-initiative). No entanto, como qualquer outro campo das ciências naturais, a neurociência depende de avanços nas metodologias e técnicas de análise para o progresso. Dois comumente usadas ferramentas não invasivas em estudos sobre o funcionamento do cérebro em humanos são a ressonância magnética (MRI) e eletroencefalografia (EEG). Estes ferramenta explorar diferentes propriedades físicas e fornecer diferentes perspectivas sobre o funcionamento do cérebro com suas vantagens e desvantagens. MRI utiliza as propriedades magnéticas das moléculas de água dentro de campos magnéticos para obtenção de imagens de tecidos vivos. O sujeito tem de ser colocado em um íman com elevada força de campo. O movimento do participante é restrito durante estes procedimentos eo participante tem de tolerar o ruído causado por mudanças rápidas no magnéticocampo. Além de imagens estruturais, ressonância magnética, também oferece a possibilidade de medir as mudanças na oxigenação do sangue para investigar o funcionamento do cérebro (fMRI). Em resumo, a RM oferece relativamente alta resolução espacial de até 0,5 mm 3 com modernos campos de alta scanners e parâmetros otimizados 4. Em contraste, a resolução temporal de fMRI é limitado à cinética lenta da resposta BOLD, que apenas indiretamente reflete a dinâmica temporal elevadas de 5,6 neural atividade.

Por outro lado, EEG mede mudanças na atividade elétrica causados ​​pela atividade dos neurônios através de eletrodos colocados sobre o couro cabeludo. Os recentes avanços na tecnologia EEG permitir a aplicação rápida e fácil dos sensores de curto prazo ou a longo prazo e estacionário, bem como gravações ambulatoriais. Porque EEG é menos restritiva, ele também é o método de escolha para certas populações de participantes que não toleram o ambiente MRI assim como pediátrica e certopopulações geriátricas e psiquiátricos. As propriedades de EEG mostram um padrão inverso aos de ressonância magnética: a resolução temporal é muito alta, com uma precisão de milissegundos, mas a resolução espacial é limitada. As correntes eléctricas passar através de tecidos diferentes entre o gerador e os eléctrodos de EEG na superfície do couro cabeludo. Isto conduz a uma mistura e manchas espacial da actividade fonte conhecida como o efeito de condução do volume. Portanto, a actividade medida pelos eléctrodos sobre a superfície do couro cabeludo reflecte a actividade de várias fontes que possam ser distante para a posição do eléctrodo sobre a 1,7 cabeça.

Muito trabalho nos últimos anos tem se dedicado à fusão de ressonância magnética e EEG, a fim de tirar proveito de seus pontos fortes. Uma linha de trabalho é dedicado à aquisição simultânea de EEG e RM em estudos funcionais. Outra abordagem é a utilização da informação espacial fornecida por MRI estrutural para ter em conta o volume conduction efeito através de modelagem biofísica. O uso de informações estruturais para a reconstrução fonte de EEG é particularmente útil para estudos envolvendo a população pediátrica. A investigação do desenvolvimento da função cerebral é fundamental para compreender como as habilidades cognitivas complexas são construídas em cima de precursores simples 8.

Estas investigações ajudam a destacar as mudanças nos substratos neurais e propriedades de resposta que se correlacionam com mudanças no desempenho comportamental. No entanto, a investigação do funcionamento do cérebro e cognição durante o desenvolvimento também coloca desafios específicos. Particularmente, a oportunidade para exames de ressonância magnética funcional é limitado como as crianças e adolescentes ou têm de estar dormindo ou sedado para obter dados de ressonância magnética sem artefatos de movimento e impacto negativo no bem-estar dos participantes. Além disso, EEG é percebida como menos arriscado e invasivo pelos pais, o que faz o recrutamento dos participantes da pesquisa mais fácil. Therefore, EEG é o método de escolha para muitas investigações sobre o funcionamento do cérebro em crianças pequenas. Avanços metodológicos em sistemas de EEG permitir a aplicação de matrizes de eletrodos de alta densidade com 128 ou mais canais em poucos minutos. Facilidade de aplicação e conforto de utilização é suficiente para até mesmo permitir a gravação de EEG nas crianças mais novas. No entanto, muitas vezes os pesquisadores não estão interessados ​​apenas na dinâmica temporal de respostas a estímulos particulares, mas também gostaria de comparar os substratos neurais que medeiam as respostas.

A suposição prevalecente na análise ERP nível de canal comparando diferentes grupos de idade é que os mesmos substratos neurais responder, mas que o tempo ou amplitude de resposta varia entre as idades de 9. Similar couro cabeludo topografia é frequentemente utilizado como um indicador de atividade neural subjacente similar. No entanto, muitas configurações de fontes diferentes pode levar a topografias semelhantes couro cabeludo 10. Ao aplicar a estimativa fonte, esta uncertainty pode ser reduzida e quantificado. A independência das observações é fundamental para contas de rede da função cerebral: se as fontes são misturadas, as correlações será inclinado para maior conectividade local. Fonte reconstrução podem ser aplicadas para reduzir esta polarização 11. Alternativamente, as diferenças de tempo e de fase pode ser usado para análise de conectividade, mas esses modelos matemáticos exigem suposições que são difíceis de avaliar, em dados não simulados 12. Em resumo, a estimativa fonte fornece informações adicionais para EEG nível de canal e análise de ERP com base no conhecimento sobre a anatomia e propriedades biofísicas de tecido.

Diferentes algoritmos foram desenvolvidos para encontrar soluções para o problema inverso. Esses algoritmos podem repartir-se em duas categorias: paramétricos e não paramétricos 13. Modelos paramétricos assumir um ou vários dipolos que podem variar em localização, orientação e força. Em contraste, não modelos paramétricos containd grande número de dipolos com localização fixa e orientação. Nestes modelos, a actividade eléctrica do couro cabeludo é explicada como uma combinação de activações nos dipolos fixos 10,13,14. Não paramétrica, modelos de origem podem ser distribuídos com base no conhecimento sobre a anatomia e condutividade em diferentes meios de comunicação. Boundary Elemento Modelos incorporam valores de condutividade para os principais tecidos da cabeça com diferentes conchas para o cérebro, líquor e crânio. Esta baseia-se no pressuposto de que a condutividade é mais constante no interior de cada compartimento, mas que as alterações marcadas ocorrer no limite de diferentes compartimentos. Modelos de elementos finitos são baseados em uma nova segmentação de exames de RM em substância cinzenta e branca, de modo que os valores de condutividade pode ser atribuído a cada voxel 15.

Em termos práticos, os modelos não paramétricos são particularmente úteis para a reconstrução de origem em tarefas cognitivas complexas, em que o número de áreas envolvidas podenão ser conhecido 10. Modelos de elementos de contorno são mais amplamente utilizado na literatura atual, provavelmente porque os mais precisos Modelos de Elementos Finitos representam demandas computacionais comparativamente altos. Além disso, há considerável entre variabilidade individual na substância cinzenta e branca para que FEMS deve ser baseada em exames de ressonância magnética individuais.

Modelos não paramétricos requerem uma segunda etapa para combinar a atividade medido couro cabeludo com as previsões do modelo para a frente. Mais uma vez, diferentes abordagens, com diferentes vantagens e desvantagens têm sido discutidas na literatura (ver Michel et al. 2.004 para uma visão geral). Os algoritmos mais utilizados são baseados na estimativa norma mínima (MNE), que coincide com a actividade medida couro cabeludo para uma distribuição de corrente no modelo para a frente com a menor intensidade total 16. MNE está inclinado para fontes fracas e superficiais. Profundidade algoritmos MNE ponderada tentar reduzir o viés de superfície através da introdução de ponderaçãomatrizes baseadas em suposições matemáticas 10. O LORETA abordagem amplamente utilizada baseia-se também ponderada EMN, mas além disso minimiza o Laplaciano das fontes, o que leva a soluções suaves 17,18. LORETA foi encontrado para realizar o melhor para fontes individuais em estudos de simulação 19,20. No entanto, LORETA pode levar a um excesso de alisamento de soluções. Profundidade ponderada ENM é preferível quando as fontes são desconhecidas ou múltiplas fontes são susceptíveis de estar presentes 13, 16. Comparando-se os resultados de diferentes algoritmos para avaliar a influência de diferentes suposições do modelo é recomendado.

Em resumo, a reconstrução fonte através de métodos de modelagem tem sido limitado para crianças até recentemente. Isto porque a maioria software de análise de EEG se baseia em modelos de cabeça com base na anatomia adulto que limita substancialmente a precisão das soluções de código em crianças 2,8. O acesso barato para poder computacional e da prestação desoftware de fácil utilização para a reconstrução fonte torná-lo possível para superar essas limitações. Aplicando estimativa de origem para o EEG oferece duas vantagens importantes sobre a análise com base em observações de nível de canal sozinho: melhor resolução espacial e independência das observações.

Fonte estimativa não pode ser informativo, em alguns casos: uma boa cobertura da cabeça é necessário para distinguir as fontes. Sistemas de alta densidade com 128 ou mais eletrodos são recomendados 10,15; uma cobertura esparsa irá funcionar como um filtro espacial levando a mais ampla fonte de propagação de ativação ou resultados falsos negativos 10. Além disso, foi relatado somente reconstrução fonte com base no método descrito no artigo de geradores corticais. Portanto, é menos adequado para testes de hipóteses sobre substratos subcorticais ou interações subcorticais corticais. Por último, a análise da fonte deve ser baseada em hipóteses prévias detalhadas sobre os substratos corticais,levando a literatura existente de outras modalidades de imagem em conta. Podem também ser utilizadas técnicas de filtragem espacial para melhorar a resolução espacial do sinal de EEG, reduzindo mistura espacial sobre o nível do couro cabeludo. Métodos alternativos para reduzir a influência dos efeitos da condução de volume sem modelagem cabeça são usados, por exemplo, filtragem Laplacian 21 ou atual análise Fonte Densidade 22. No entanto, esses métodos não fornecem mais informações sobre geradores neurais como os efeitos da condução de volume não estão restritas apenas aos sensores de proximidade espacial 1.

Nas seções seguintes, o artigo descreve como experimentos para a investigação do cérebro e função cognitiva em crianças de 2 anos de idade são projetadas para o bebê Lab Londres. Em seguida, é discutida a aquisição de dados de EEG com alta densidade de sistemas de baixa impedância com crianças. Então, EEG pré-processamento e análise sobre o nível do canal é apresentado. Lastly, o artigo centra-se no tratamento de dados de ressonância magnética estrutural para a reconstrução fonte cortical e análise de sinais de nível de fonte.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Experimentos potenciais 1. Projetando EEG e Eventos relacionados para crianças

Nota: Um experimento simples foi projetado para os fins deste artigo, que pode ser usado para investigar o processamento rosto em crianças pequenas. A seção a seguir irá descrever a experiência e explicar como implementá-lo usando MATLAB R2012b e Psychtoolbox V3.0.11 23,24. As fotos tiradas a partir do conjunto de NimStim emocional expressão facial 25 foram utilizados para este exemplo. Este conjunto de estímulos está disponível para fins de pesquisa, mediante pedido ( http://www.macbrain.org/resources.htm ).

  1. Transfira as fotos RGB para escala de cinza para reduzir diferenças entre estímulos. Ver Tabela 1 Nota:. Estes comandos requerem o Processamento de Imagem Caixa de ferramentas ( http://www.mathworks.co.uk/products/image/ ). Alternativas livres podem ser encontrados through o File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Use um software de controle experimental para implementar o experimento com timing preciso para gatilhos apresentação do estímulo, utilizando uma série de comandos (ver Tabela 1 para um exemplo).

2. Aquisição de Dados

  1. Certifique-se de que a criança está confortável com o ambiente de teste. Permita que as crianças mais jovens a se sentar no colo de seu cuidador ou no assento de uma criança confortável. Deixe a criança ver e sentir a rede de sensores antes de aplicá-lo para a cabeça da criança. Se houver uma rede extra, ter o pai também tentar uma sobre, ou colocar um em uma boneca ou ursinho de pelúcia.
  2. Meça a circunferência máxima cabeça para escolher o tamanho correto net para a criança. Use uma fita métrica e segurá-la para o nasion. Em seguida, meça em torno da cabeça em torno da circunferência máxima (~ 1cm acima do ínion). Nota: manter um registro do perímetro cefálico medida ea rede de sensores utilizados para análise posterior 26. Ela ajuda se a cabeça dos pais também é medida para tornar as crianças mais confortáveis ​​com a situação.
  3. Identificar o vértice da cabeça no cruzamento da distância média entre nasion e ínion e ponto periauricular esquerda e direita. Marque este ponto com uma caneta china para garantir que o canal vértice está posicionada corretamente ao aplicar a net.
  4. Aplique a rede de sensores e certifique-se que os canais principais estão alinhados com os pontos anatômicos (Násio, ínion, vértice e mastoide esquerda / direita). Nota: Para os resultados mais precisos, a posição dos canais na cabeça pode ser adquirido digitalmente usando um equipamento especial de digitalização. Os pesquisadores que pretendam adquirir a posição do sensor deve consultar os manuais de hardware e software apropriados. Alternativamente, os mapas de eletrodos que assumem colocação padrão de eletrodos junto lan anatômicadmarks pode ser usado. Estes mapas podem ser deformado a idade modelos de cabeça apropriadas conforme descrito na seção de análise.
  5. Certifique-se de que os canais têm um bom contato com o couro cabeludo através do posicionamento dos sensores individualmente; gire suavemente cada sensor de lado a lado para mover o cabelo para fora do caminho.
  6. Medir os ganhos de canal e impedância do canal. Clique em "Iniciar" para iniciar a gravação no software de gravação de Netstation EEG e começar a ganhar e medição da impedância. Se a medição não começar automaticamente, use o "Amplificador Calibrar" e no botão "Medir Impedâncias líquidas".
  7. Verifique o software de gravação para os canais com impedâncias maiores de 50 kW que aparecerão vermelho. Aplicar a solução de electrólito adicional, com uma pipeta, para diminuir as impedâncias de canal. Verifique o visor EEG para os canais que mostram atividade de alta frequência, apesar de baixa impedância ou visivelmente menos atividade do que os canais que cercam (canais de linha fixa). Estes canais podem have contato solto com o couro cabeludo e necessitar de ajuste.
  8. A fim de manter as crianças confortável durante a preparação EEG, permitir que a criança ouvir música, assistir a um desenho animado idade apropriada ou distraí-los usando outro experimentador, por exemplo, soprando bolhas de sabão para crianças.

3. Análise

  1. Pré-processamento
    1. Filtrar digitalmente os dados com um filtro passa alta com um corte de 0,1 Hz para remover canal drifts 27 (Tabela 1).
    2. Para a análise de ERP, aplicar um filtro passa-baixa com um corte em 30 Hz 27 (Tabela 1).
    3. Epoch os dados contínuos de acordo com os códigos de disparo estabelecidas durante a gravação. Para a maioria das experiências, utilizam uma linha de base de 200 ms antes do início do estímulo e um intervalo pós-estímulo de 600 ms para cobrir o intervalo de tempo de interesse (Tabela 1).
    4. Remover épocas que contêm movimentos ou piscar artefatos: marca channels com um pico a pico de amplitude superior a 150 mV - ajustar esse limiar em função do grupo participante e qualidade dos dados. Para consistência, utilize o mesmo limite para todos os participantes em um estudo. Se um canal for superior a este limite, em mais de 30% das épocas, remover o canal (a actividade de canal pode ser interpolado a partir de canais adjacentes, se estes contêm dados aceitáveis). Se mais do que 20% dos canais são marcadas como mau numa época, remover a época. Se mais do que 20% de canais, são rejeitadas pelo algoritmo ou menos do que 50% de épocas são retidos, considere a remoção do conjunto de dados de análises posteriores (Tabela 1).
      Nota: Os limites percentuais para época e rejeição de canais são figuras aproximadas que removem uma quantidade suficiente de barulho em nossa experiência. A quantidade do produto manufacturado, na gravação é provável que seja diferente usando outros grupos participantes, paradigmas experimentais ou sistemas de EEG. Os experimentadores pode querer ajustar a porcentagemlimiares e verificar se eles estão satisfeitos com a rejeição de artefato. Alternativamente, os experimentadores podem rejeitar ensaios que contêm artefato através de inspeção visual.
    5. Re referência a referência média, subtraindo a atividade média em todos os canais de cada canal (Tabela 1). Nota: O eletrodo vértice é normalmente usado como referência de gravação em Netstation.
  2. Correção Artefato Utilizando Análise de Componentes Independentes
    1. Importe os dados para a caixa de ferramentas FASTER 28 e executar o algoritmo automático artefato rejeição dos dados (Tabela 1).
    2. Use a interface gráfica do usuário (GUI) para o mais rápido; para abrir a interface gráfica, tipo FASTER_GUI na linha de comando.
    3. Desmarque as opções de filtragem no menu de filtragem que os dados já foi filtrado antes do epoching.
    4. Especifique o número de canais: 126 canais de EEG com 2 electrooculagram canais (EOG).
    5. Digite omarcadores utilizados para epoching os dados como seqüências em um conjunto de células. Para o caso apresentado digite: {'cara', 'scra'} para o rosto e condições rosto mexidos.
    6. Selecione os canais para a análise de componentes independentes (ICA). Normalmente selecionar todos os canais de gravação, incl. canais não EEG externos.
    7. Especificar a entrada e pasta de saída no painel direito da GUI.
    8. Selecione o arquivo de canal apropriado para as gravações. Nota: Os arquivos de canal para a maioria sistema de EEG pode ser descarregado a partir do fabricante ou pode ser baixado do site da EEGLAB.
    9. Clique em Executar para iniciar o processamento mais rápido. Dependendo do comprimento das gravações e o número de ficheiros, esta transformação pode levar várias horas.
    10. Inspecione visualmente as gravações, mapas de componentes independentes e ERPs após o processamento.
  3. Channel Level Análise de Dados Potenciais relacionados a eventos
    1. Combine vários canais para formar um c virtuaishannel com melhor relação sinal-ruído (Tabela 1). Nota: A selecção de canais deve ser baseada em relatórios anteriores na literatura ou uma hipótese a priori. Seleção de canais que mostram a maior amplitude dentro de uma determinada janela de tempo não é aconselhável 29.
    2. Obter medidas como pico de amplitude, média latência e amplitude do pico para caracterizar a forma de onda e realizar testes estatísticos (Tabela 1).
  4. Criar Boundary Elemento Modelos (BEM)
    1. Segmento da MRI anatômica digitalizar com FreeSurfer. Nota: Para os resultados mais precisos, a base do modelo de elementos de contorno em exames de ressonância magnética individuais para cada participante. Se isso não for possível, os modelos médios de ressonância magnética que correspondem a idade dos participantes, tanto quanto possível deve ser usado. Por favor, note que o MEC não pode ser usado para crianças menores de 24 meses. Modelos de elementos de contorno assumir que cada concha (cérebro, crânio, pele) é composta de uma concha fechada. No entanto, em ycrianças oung fontanelas do crânio não estão fechadas, o que viola a suposição de concha fechada.
      1. Para instalar o software FreeSurfer, primeiro baixá-lo do site da FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Em seguida, configurar o ambiente de shell incluem FreeSurfer; . para bashrc, incluem os seguintes comandos no arquivo bashrc.:
        1. Exportação FREESURFER_HOME = / Applications / FreeSurfer /
        2. Fonte $ FREESURFER_HOME / FreeSurferEnv.sh
          Nota: Esses comandos pressupõe que a pasta FreeSurfer está na pasta Applications em um sistema Unix. Há mais detalhes sobre como configurar FreeSurfer com ambientes shell alternativos, por exemplo, csh / tcsh, ou sistemas operacionais no site da FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Em seguida, defina a direção Assuntohistória, ou seja, a pasta que a saída vai ser escrito para usar o seguinte comando:
        1. exportação SUBJECTS_DIR = / ... / MEC /
          Nota: Os resultados podem ser escritos em qualquer pasta do sistema.
      3. Em seguida, altere o diretório de trabalho para a pasta que contém o arquivo de ressonância magnética para o Elemento Modelo Boundary usando o seguinte comando:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Infantil / Cérebro /
          Nota: Qualquer pasta no sistema podem ser especificados usando a sintaxe do comando cd. Este é um exemplo da estrutura do arquivo pesquisadores primário.
      4. Finalmente, iniciar a reconstrução utilizando os seguintes comandos:
        1. recons-tudo-i-<mri_file> subjid <subject_id>
        2. recons-todo-todo-subjid <subject_id>
          Nota: <mri_file> precisa ser substituído com o nome do arquivo dos exames de ressonância magnética desejados no diretório atual. <subject_id> pode ser repatado com qualquer nome. FreeSurfer irá criar uma pasta com esse nome no diretório do tema. Dependendo do sistema usado, os últimos comandos podem levar algum tempo para ser executado.
    2. Verifique a segmentação FreeSurfer para a segmentação incorreta, por exemplo. esferas sobrepostas, anatomicamente improváveis ​​compartimentos etc. importando os segmentos em BrainStorm e usar as ferramentas de exibição na GUI:
      1. Em BrainStorm, selecione o painel de anatomia. Importe o MRI segmentada com o botão direito sobre o assunto e selecionar "Importar Anatomy Folder". Verifique se a pasta com a saída FreeSurfer é selecionado. Inspecione a segmentação visualmente clicando e selecionando "Display" certo. Observação: Como alternativa, os comandos de FreeSurfer pode ser usado. Uma descrição detalhada pode ser encontrada no site da FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRECONSTRUÇÃO. Se a região de análise de juros com base na divisão em parcelas anatômica é desejado, o FreeSurfer funções mris_ca_label , mri_annotation2label e mri_mergelabels podem ser usados. Consulte as publicações FreeSurfer e páginas de ajuda on-line para obter informações mais detalhadas.
  5. Estime a Atividade Fonte em BrainStorm
    1. Comece BrainStorm digitando "brainstorming" na janela de comando.
    2. Criar um novo protocolo selecionando Novo Protocolo a partir do menu Arquivo.
    3. Adicionar um novo subject ao protocolo selecionando Novo Assunto a partir do menu Arquivo.
    4. Importar dados de EEG para o participante, clicando com o botão direito sobre o assunto e selecionar "Importar MEG / EEG".
    5. Importar um arquivo de canal com o botão direito e escolha "Importar arquivo de canal". Nota: O arquivo de canal precisa ser alinhado à ressonância magnética para a reconstrução fonte. BrainStorm usa um sistema de 4 pontos de referência anatômicos que o usuário precisa para marcar na ressonância magnética. Por favor, consulte os tutoriais brainstorm para mais informações ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). A posição normal, tal como definido por um ficheiro de canal para um determinado sistema de EEG ou, idealmente, as posições da cabeça que foram digitalizados antes do registo do EEG pode ser usado.
    6. Verifique se o MEC e os canais de alinhar como esperado: clique com o botão direito no arquivo de canal para o assunto e navegue para "Registro de ressonância magnética" e ", Check ". Nota: Se as esferas dentro do modelo se sobrepõem ou se os canais estão dentro do MEC, a reconstrução fonte produzirá resultados incorretos. Ajuste o alinhamento usando a opção "Editar" no menu "segmentação MRI".
    7. Calcule a matriz de covariância do ruído da linha de base de cada época com o botão direito sobre o participante e escolha "Noise Covariance Matrix" e "Calcular de Gravação". Nota: Os autores da caixa de ferramentas BrainStorm recomendamos o uso de uma matriz diagonal ruído covariância para gravações curtas (~ menos momentos do que canais) e uma completa para gravações mais longas. Por favor, consulte o tutorial BrainStorm Fonte Estimativa para mais informações: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Calcule o modelo de origem com o botão direito sobre o assunto e selecionar "Compute modelo de fonte ".
    9. Calcule a solução inversa usando profundidade ponderada mínima Norm Estimativa com o botão direito sobre o assunto e selecionando "Compute Fonte" e "estimativa mínima norma". Nota: Outras opções (DSPM, sLORETA) estão disponíveis. Cada opção tem diferentes vantagens e desvantagens. O algoritmo deve ser selecionado com base em considerações a priori e relatórios prévios da literatura. Além disso, alguns algoritmos são melhores na resolução de ativação focal em certas áreas, enquanto que outros são mais adequados para a ativação generalizada. MNE foi utilizado para este estudo com base em relatórios anteriores da literatura 16. Por razões de consistência, o mesmo algoritmo de solução inversa deve ser utilizado para todos os participantes de um estudo. Os pesquisadores também pode querer comparar como resultados robustos são para a aplicação de diferentes algoritmos de solução inversa.
    10. Repita Seção 3 para todos os participantes do estudo. Nota: Use o grainterface de lotes geográficas ou os scripts para repetir as etapas de processamento para os participantes. Consulte a documentação para obter instruções BrainStorm ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Atividade fonte média nos ensaios por participantes, arrastando as gravações para o Menu de Processos e selecionando "Média" e "por condição (média assunto)".
    12. Contraste a condição escolhendo os "Processos 2" e arrastando cada condição em uma janela. Em seguida, selecione "Test" e "t de Student" ou "teste t de Student (pareado)", dependendo do projeto. Para realizar comparações múltiplas, amplitude e limites de área definida na exibição do mapa estatístico resultando no menu "Dados". Nota: Como alternativa, os mapas de ativação podem ser exportados para SPM ( http://www.fil.ion.ucl.ac.uk / spm /) para análise estatística mais aprofundada ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Calcule a resposta relacionados a eventos para uma região de interesse. Para ROIs divisão em parcelas com base, coloque o FreeSurfer divisão em parcelas com o botão direito sobre a superfície do córtex no menu de anatomia e selecione "Importar" rótulos. Navegue o arquivo correspondente e carregá-lo. Agora, selecione um ROI no "escuteiro" painel do menu de dados funcional.
    14. Obter a atividade evento relacionado ROI, arrastando os arquivos para a janela do Processo 1 e selecione "Extrair Escoteiro Time Series" no menu Fontes. Nota: Vários ROIs podem ser selecionados ao mesmo tempo e as séries temporais ROI podem ser exportados para mais de plotagem e análise clicando com o botão direito sobre o tempo olheirodados da série e selecionar "Exportar para Matlab".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Projetando experimentos de ERP para lactentes e crianças é muitas vezes um desafio, devido à sua limitada capacidade de tolerar longas experiências repetitivas 30. Este problema se agrava ainda mais quando o experimentador pretende aplicar reconstrução de origem, porque a reconstrução fonte precisa exigirá uma alta relação sinal-ruído 1. Figura 1 mostra um protocolo experimental para a investigação de mecanismos de processamento da face que podem ser usados ​​com crianças muito pequenas. O paradigma é adaptado para a) minimizar piscar de olhos e movimentos oculares durante a apresentação do estímulo, porque as crianças serão menos capazes de controlar os movimentos dos olhos de voluntários adultos b) tornar a experiência mais envolvente, acrescentando grileiros atenção após o intervalo entre estímulo. Piscar de olhos e movimentos oculares são controlados através da apresentação de uma cruz de fixação pouco antes do estímulo, a fim de chamar a atenção para o centro da tela. Além disso, a duração do estímuloestá definido para 500 ms, o que permite que a percepção consciente do estímulo, minimizando o tempo para digitalizar a imagem com os movimentos dos olhos. O grabber da atenção consiste em uma imagem amigável criança apresentou um som simultânea. A selecção aleatória de diferentes estímulos atenção agarrador pode ser usado para manter a tarefa interessante para a criança. O próximo julgamento pode ser iniciado pelo experimentador, quando é evidente a partir do sistema de monitoramento que a criança está olhando para o centro da tela novamente. Além disso, as histórias podem ser usadas para ajudar a atender as crianças mais velhas para a tela. Muitas vezes, é útil para a prática de tarefas com as crianças antes de a gravação EEG para se certificar de que a criança compreenda a tarefa. Perguntas de triagem ou escores obtidos na sessão de prática pode ser usado como co-variáveis ​​em análises posteriores.

Ao calcular o número de repetições necessárias para a experiência, é importante ter em conta que muitos ensaios podem ser perdidos devido a falta de atenção or artefato movimento quando se trabalha com crianças. Como regra geral, o número necessário de repetições deve ser duplicada em comparação com estudos realizados em adultos ou recrutar um maior número de participantes. A atenção e cooperação é limitada em crianças em comparação aos adultos. Portanto, manter as necessidades específicas das crianças em mente ao projetar a tarefa. A tarefa longa pode ser dividido em vários blocos de tarefas mais curtos com intervalos entre eles. Tipicamente, o número de condições que podem ser incluídos na experiência é menor para as crianças muito jovens, uma vez que não irá ser capaz de cooperar para os períodos mais longos necessários para obter os ensaios suficientes para muitas condições de estímulo.

Os números apresentados são baseados em uma gravação com um menino de 6 anos (6 anos 3 meses). O modelo de cabeça foi baseado em um modelo de ressonância magnética média de 6 anos de idade 31. Figura 5 mostra evento de nível de canal relacionada respostas possíveis (ERP) para enfrentar e mexidos estímulos faciais. O waveform do ERP através de canais posteriores mostra o padrão esperado de um desvio positivo seguido de um desvio negativo e um amplo desvio positivo subseqüente. Com base na topografia, curso de tempo e a natureza do paradigma, estes desvios representam, provavelmente, o P100, N1 e componente potencial positivo tarde. Além disso, a deflexão negativa precoce é significativamente maior para os estímulos da face em comparação com as faces mexidos. Portanto, é provável que reflectem o componente N170 específico cara. Os mapas topográficos na Figura 5 mostram a distribuição de tensão entre 250 e 300 ms. Tensão negativa, com um máximo em canais direito occipito-temporais na condição de rostos é evidente.

A Figura 6 mostra a comparação estatística da atividade fonte projetado com base em um modelo de cabeça adulto padrão e um modelo de cabeça idade apropriada. Fonte reconstrução baseou-se num modelo de elementos de contorno (MEC) com profundidade ponderadaestimativa mínima norma (wMNE) e ruído completa matriz de covariância em Brainstorm v 3.1 32. O padrão MNI Colin27 BEM foi utilizado como o modelo de adulto. Fonte atividade foi em média ao longo do tempo entre 250 e 300 ms em linha com respostas específicas rosto sobre o nível do canal.

O mapa mostra os resultados de uma comparação teste t de Student entre os rostos e mexidos condição rostos corrigidos para comparações múltiplas, utilizando taxa de falsas descobertas (FDR). Os resultados mostram ativação fonte significativamente mais forte sobre o lobo temporal no rosto, em comparação com a condição rostos mexidos. A localização utilizando o modelo apropriado a idade é mais focal com fortes diferenças na superfície ventral do córtex temporal. Localização com base no modelo cabeça adulto é mais dispersa e mostra diferenças de atividade fonte no medial direito e giro temporal superior que é quase ausente no mapa baseado no modelo de cabeça idade apropriada.

Figura 1

Figura 1. Exemplo de uma percepção rosto experimentar adequado sobre uma ampla faixa etária O experimento consiste em apresentação visual de imagens de rostos ou faces mexidos. Os estímulos são fisicamente idênticos, mas o arranjo espacial é randomizado na condição mexidos. Cada ensaio começa com a apresentação central de uma cruz de fixação para minimizar os movimentos dos olhos durante a apresentação do estímulo. A duração da apresentação fixação cruz é randomizados para evitar influências de arrastamento ao longo de várias repetições. O estímulo é apresentado ao longo de um período de 500 mseg. A curta duração também minimizar a chance de movimentos oculares durante a janela de apresentação. Um estímulo que chama a atenção é apresentado após um intervalo de teste, entre com duração aleatório entre 1 seg e 2 seg. O pelotention grabber é particularmente útil para os participantes muito jovens que não são susceptíveis de assistir a muitos ensaios de materiais não envolvente em sequência. O experimento pode iniciar o próximo julgamento, quando o participante está olhando na tela em resposta à grabber da atenção.

Figura 2
Figura 2. Diagrama de fluxo para o algoritmo de rejeição limiar. O algoritmo compara o máximo de cada canal de EEG em cada época a um limite definido. Se um canal contém atividade máxima acima do limiar, o canal é marcado como ruim. Se mais do que 20% de canais são mal numa dada época, a época é rejeitada. Após rejeição época, a actividade máxima em cada canal é comparado com o limiar de novo. Se um canal contém a actividade acima do limiar em mais do que 30% de todas as épocas, o canal é rejeitada. Se mais de 20% dos canais são rejeitados por esse procedimento ou menos de 50% de épocas por condição são deixados após a rejeição época, o conjunto de dados devem ser excluídos da análise posterior. Clique aqui para ver uma versão maior desta figura.

Figura 3
Figura 3. Correção automática artefato usando a caixa de ferramentas FASTER 28. A figura mostra as opções que precisam ser alterados para usar a caixa de ferramentas mais rápido com a configuração e pipeline de processamento descrito neste artigo:. 1. Filtering deve ser desativado, pois o conjunto de dados já foi filtrada 2 O número de canais precisa ser ajustado. O sistema de EEG usado neste artigo tem 126 canais com2 canais de EOG. 3. Evento de marcadores para o tempo de bloqueio precisa ser especificado como uma matriz de células de cordas. 4. A janela de tempo para a resposta relacionados a eventos precisa ser fornecido. Isto tem que ser idêntica para a janela utilizada no passo anterior epoching. 5. O usuário tem de definir canais para a análise de componentes independentes (ICA). Na maioria dos casos, isso incluiria todos os canais de EEG e canais externos relevantes, como os canais oculares (EOG). 6. Os índices dos canais olho também precisa de ser ajustada para o sistema de EEG usado. Para o sistema de EEG descrito, estes seriam os canais 125 e 128. Clique aqui para ver uma versão maior desta figura.

Figura 4
Figura 4. análise Fonte em Brainstorm 32 1.. Depois de importar o conjunto de dados de EEG e superfícies FreeSurfer, o elemento do modelo de Contorno (MEC) pode ser calculado, selecionando "modelo de cabeça Compute" no menu "Fonte". 2. A matriz de covariância do ruído pode ser calculada a partir das gravações, selecionando "covariância ruído Compute". Se o registo for suficientemente comprido, ou seja, mais pontos de tempo do que os sensores, a matriz de covariância completa pode ser calculado, de outro modo a matriz diagonal é recomendada. 3. Depois de calcular o modelo de cabeça e a matriz de covariância de ruído, é possível obter a solução inversa. Podem ser utilizados diferentes algoritmos. A profundidade mínima ponderada Norm Estimação (wMNE) algoritmo foi utilizado para este artigo. 4. O tempo de atividade de origem em regiões de interesse (ROI) pode ser extraído, selecionando "Extrair Escoteiro Séries Temporais" f rom o menu "Fonte". ROIs de divisão em parcelas cortical automática na FreeSurfer foram utilizados para este exemplo. Clique aqui para ver uma versão maior desta figura.

Figura 5
Resposta potenciais Figura 5. Evento relacionado (ERP) para enfrentar e mexidos estímulos rosto sobre direito occipito canais temporais. O ERP mostra uma deflexão mais negativo entre 130 e 220 ​​ms após o início do estímulo no lado direito para rostos em comparação com rostos mexidos. Estas propriedades estão em linha com os relatórios anteriores sobre o componente N170 33. Clique aqui para ver uma versão maior desta figura.

ove_content "fo: manter-together.within-page =" always "> Figura 6
Figura 6. Comparação da localização fonte entre um modelo de cabeça adulto padrão e um modelo de cabeça apropriado. A linha superior da figura mostra o MNI limite adulto modelo de cabeça colin27 à esquerda e um modelo de cabeça idade apropriada baseada em uma divisão em parcelas FreeSurfer de uma média modelo de ressonância magnética para crianças de 6 anos de idade, à direita. Também são apresentados os locais dos locais de eletrodos co-registrados. A gravação foi obtida a partir de um menino de 6 anos (6 anos 3 meses). A segunda e terceira linha mostram resultados de uma comparação estatística entre os mapas de ativação do MNE fonte reconstrução nos rostos em comparação com a condição rostos mexidos com base em um teste t corrigido para comparações múltiplas utilizando Falso Descoberta Rate (FDR). O mapa de cores ilustra o tamanho do efeito com o vermelho indicando maior atividadena condição de rostos e azul que mostra maior atividade na condição rostos mexidos. Por favor, note que há limiares de amplitude ou tamanho foram aplicados. A localização parece mais focal na superfície ventral do pólo temporal usando o modelo de cabeça idade apropriada em relação ao adulto BEM. Clique aqui para ver uma versão maior desta figura.

Figura 7
Figura 7. Fonte ERP do giro fusiforme direita em resposta a faces e as faces mexidos com base na fonte de reconstrução de uma gravação obtida a partir de um rapaz de 6 anos (6 anos e 3 meses) usando uma idade BEM apropriado com MNE O ERP fonte mostrar uma mais deflexão negativa em torno de 250 milissegundos após o início do estímulo na condição de rostos em comparação com os scrambled enfrenta condição. Esta actividade é susceptível de reflectir a contribuição de giro fusiforme direito ao componente N170 na condição rostos.

<td>
Entrada para o passo 1.1 Descrição
input_image = imread ('/ Users / algum_usuário / images / example.jpeg'); % Leitura da imagem
gray_image = rgb2gray (input_image); % Transferência de RGB para escala de cinza
saveas (gray_image, 'grey_image.tiff') % Salve nova imagem
Entrada para o passo 1.2 Descrição
Exemplo de código:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Housekeeping
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc % variáveis ​​de compensação de área de trabalho
limpar tudo
feche todos os % Definição dos controladores de áudio para o modo de baixa latência
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Variáveis
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings Users Lab ERP Meus Documentos MATLAB Faces_Houses '; % Definindo o diretório de trabalho
Netstation = 1;
% Este alterna comunicação com o software de gravação Netstation EEG
% Definindo o número de tentativas
no_of_trials = 80; % Unificar nomes de teclado para fácil portabilidade entreen versões de Unix e PC
KbName ('UnifyKeyNames') % Definindo uma variável para uma chave de fuga prensas
escapeKey = KbName ('ESCAPE');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Carregando estímulos
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: Documents and Settings Users Lab ERP Meus Documentos MATLAB Faces_Houses Faces '); % Fornecendo a pasta com fotos de estímulos
files = dir (face_directory); % Gerando uma lista com todos os estímulos de imagem
enfrenta = {files.name};
caras (1:2) = [];
grileiros = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / grileiros /'); </ Td>
grabbers = {grabbers.name};
grileiros (1:2) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / sons /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Do início do experimento
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
se Netstation == 1; Netstation ('Connect', .194 .82.245.131 ', '55513') % Sincronização com o software de gravação
Netstation ('Sincronizar', 10) % Sincronização dentro de 10 ms de precisão
Netstation ('StartRecording') % Inicia a gravação
final
% Configurar o ecrã
screenNum = 0; % Número de tela de apresentação de identificação
% Definição de uma janela para a apresentação do estímulo
[Display.w, display.rect] = Tela ('OpenWindow', screenNum, 0);
[WPtr, rect] = Tela ('OpenWindow', screenNum); % Escondendo o cursor do mouse
HideCursor;
preto = BlackIndex (wPtr); % Definindo o fundo para preto
Tela ('FillRect', wPtr, preto); % Definição e tamanho da fonte para exibição de texto
Tela ('TextFont', display.w, 'Arial');
Tela ('TextSize', display.w, 32);
Tela ('textstyle', display.w, 0);
para i = 1: no_of_trials
FlushEvents
randomizer = randi (2);
% Sorteio de um quadro grabber da atenção
attention_grabber = imread (strcat (input_folder, "grileiros / ', cell2mat (grabbers (randi (comprimento (grileiros))))));
[Sons, fs, nbits] = wavread (strcat (input_folder, "soa / ', cell2mat (grabber_sounds (randi (comprimento (grileiros))))));
audio_handle = PsychPortAudio ('Open', [], [], 0, fs, comprimento (sons (1, :)));
soa = sons '; % Sorteio de um som grabber da atenção
PsychPortAudio ('FillBuffer', audio_handle, sons);
% Da criação de apresentação de som
estímulo = strcat (face_directory, enfrenta (randi (comprimento (rostos))));
estímulo = imread (cell2mat (estímulo)); % Este randomiza a apresentação de rostos e rostos mexidos
se randomizer == 2; % Carregar o estímulo que foi selecionado aleatoriamente a partir da lista de estímulos
estímulo = estímulo (randperm (comprimento (estímulo (:, 1))), randperm (comprimento (estímulo (1, :))));
final % Lutando a matriz de estímulo, se o julgamento é um julgamento mexidos
stim = Tela ('MakeTexture', wPtr, double (estímulo)); % Estímulo
% Preparando o estímulo para a apresentação
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Teste
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Nesta secção só é relevante para o primeiro ensaio
se i == 1;
[Nx, ny, box] = DrawFormattedText (wPtr, "Pressione qualquer tecla para iniciar ',' Centro ',' centro ', [255 255 255]);
Tela ('FrameRect', wPtr, 0, caixa);
[VBLTimestamp StimulusOnsetTim] = Tela ('Flip', wPtr); % Para o primeiro ensaio, o texto "Pressione qualquer tecla para iniciar" é apresentada até que uma tecla é pressionada
KbWait ([], 2);
[Nx, ny, box] = DrawFormattedText (display.w, '', 'Centro', 'centro', 255); % Tela em branco
Tela ('FrameRect', display.w, 0, caixa); [VBLTimestamp StimulusOnsetTim] = Tela ('Flip', wPtr);
final
% Cruz Fixation
[Nx, ny, bbox] = DrawFormattedText (wPtr, '+', 'Centro', 'centro', 255);
Tela ('FrameRect', display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = Tela ('Flip', wPtr); % Preparando um sinal de mais branco no centro da tela, como a cruz de fixação
se Netstation == 1; % Apresentando a cruz de fixação
Netstation ('Evento', 'fix +', StimulusOnsetTim) end
% O envio de um gatilho com o carimbo de tempo da apresentação cruz de fixação eo "fix +" código para o software de gravação de EEG
% Limitando o tempo de apresentação da cruz de fixação para um período aleatório entre 0,15 e 0,2 seg
Estímulo% % Apresentando o rosto ou estímulo rosto mexidos
Tela ('DrawTexture', wPtr, stim);
[VBLTimestamp StimulusOnsetTim] = Tela (wPtr, 'Flip');
se Netstation == 1; % O envio de gatilho com carimbo de tempo e código 'face' ou face 'scra' para software de gravação de EEG
se randomizer == 1;
Netstation ('Evento', 'face', StimulusOnsetTim)
elseif randomizer == 2;
Netstation ('Evento', 'scra', StimulusOnsetTim)
final
final
WaitSecs (0,5) Limite de duração do estímulo% para 500 ms
% Apresentando uma tela em branco
[Nx, ny, box] = DrawFormattedText (wPtr, '', 'Centro', 'centro', 255); % Tela em branco
Tela ('FrameRect', wPtr, 0, caixa);
[VBLTimestamp StimulusOnsetTim] = Tela ('Flip', wPtr);
WaitSecs (1 + rand (1)) % Intervalo inter ensaio com uma duração aleatória de 1 a 2 seg
% Grabber Atenção % Apresentam o grabber da atenção com som
Tela ('DrawTexture', wPtr, grabber);
soa = PsychPortAudio ('Start', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Tela ('Flip';, WPtr);
se Netstation == 1;
Netstation ('Evento', 'grbr', StimulusOnsetTim) % Enviar o carimbo de tempo e código para o grabber atenção para o software de gravação de EEG
final
% Apresentam o grabber da atenção e som até que uma tecla do teclado é pressionada
KbWait ([], 2);
PsychPortAudio ('Stop', audio_handle);
Tela ('FrameRect', display.w, 0, caixa); % Abortar o experimento, se a chave de escape foi pressionado
[VBLTimestamp StimulusOnsetTim] = Tela ('Flip', wPtr);
[KeyIsDown, timeSecs, keyCode] = KbCheck; se keyIsDown
se keyCode (escapeKey)
sca
Netstation ('stoprecording')
retorno
final
final % Fechar a experiência e parar o registo do EEG, no final da experiência
final
Tela ('CloseAll');
se Netstation == 1;
Netstation ('stoprecording')
final
Entrada para o passo 3.1.1 Descrição
OUTEEG = pop_eegfilt (INEEG, 0,1, []); % OUTEEG = EEG dados após a filtragem, ie. saída da função
% INEEG = EEG dados antes de filtragem, ou seja, a entrada de funções
0,1%: passa alta freqüência de corte
% []: Passa-baixa de corte, indefinido porque um filtro passa-alta é desejada
Entrada para o passo 3.1.2 Descrição
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: High pass cortado, indefinido porque um filtro passa-baixa é desejada
% 30: passa-baixa freqüência de corte
Entrada para o passo 3.1.3 Descrição
OUTEEG = pop_epoch (INEEG, 'evento', {'cara', 'scra'}, [-0.2 0.6]); % Epoching
% 'Evento', {'face', 'scra'}: a função é dito para usar os eventos de disparo 'face' e 'scra' como o tempo de marcadores de bloqueio. Esses gatilhos foram definidas no script experimento para marcar o início da face e mexidos sti rostoaparecimento apresentação Mulus.
% [-0,2 0,6] = janela de tempo para o ERP de 0,2 seg antes do evento de bloqueio de tempo de 0,6 seg
OUTEEG = pop_rmbase (EEG, [-0.2 0]); Removendo% da linha de base
% [0 -0,2]: janela de tempo de linha de base, ou seja, 0,2 s antes do evento de bloqueio de tempo para o evento de tempo de bloqueio
Entrada para o passo 3.1.4 Descrição
função [EEG] = threshold_rejection (EEG, limiar) Definição da função%, a função exige uma estrutura de conjunto de dados de EEG e um limiar em mV
para j = 1:2
para i = 1: length (EEG.data (1,1, :)) % Neste loop passa por todas as épocas em um determinado conjunto de dados de EEG
data = EEG.data (:,:, i);
data = dados - média (dados, 2); % Subtração ªe atividade significa para evitar a influência das mudanças de amplitude
maxima = max (abs (dados '))'; % Identificar a actividade máxima absoluta em todos os canais
bad_channels = maxima> limiar;
channel_rejection (:, i) = bad_channels;
se soma (bad_channels)> 0,2 * 128 % Se mais de 20% de canais estão acima do limiar, a época é marcado para rejeição
epoch_rejection (i) = 1;
outro
epoch_rejection (i) = 0;
final
final
se j == 1; % Selecionar apenas as épocas que não são marcados como ruim
EEG = pop_select (EEG, 'julgamento', encontrar (epoch_rejection == 0))
outro Canais% da marca que são ruins em mais de 20% de épocas após a rejeição época para a rejeição de canal
bad_channels = média (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, encontrar (bad_channels == 1), 'esférico'); % Aplicar interpolação esférica para canais más
final
final
Entrada para o passo 3.1.5 Descrição
EEG = pop_reref (EEG, []); % Calcula a média de referência
Entrada para o passo 3.2.1 Descrição
Canais = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % N170 direita % canais occipitotemporais do hemisfério% certo para respostas N170 usando os rótulos de canais para o% 128 canais Geodésico Hydrocel Sensor Net
EEG = pop_select (EEG, "canal", os canais); % Seleção de canais
Virtual_channel = média (EEG.data, 1); % Combinando os canais individuais para um canal virtual
Entrada para o passo 3.3.2 Descrição
N170_peak = max (abs ((averaged_ERPs (0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2)); % Da amplitude máxima dentro de uma janela de latência para cada participante em mV
N170_peaklatency = 1000 * (find (averaged_ERP (0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate) == N170_peak) + 0,2 * EEG.srate + 0,13 EEG.srate). / EEG.srate % Latência Peak em ms
N170_mean = médios (averaged_ERPs:, 0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2); % Média amplitude em mV

Tabela 1. Comandos MATLAB para implementar ªe exemplo experimento e analisar gravações de EEG de alta densidade no canal e nivelado fonte. A tabela resume o código para implementar os rostos vs mexidos rostos exemplo experimento. Além disso, o código de pré processamento da EEG bruto é apresentado. Além disso, os métodos para a extração de características de forma de onda para análise de nível de canal da resposta relacionados a eventos são mostrados.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

O presente artigo descreve a gravação e análise de alta densidade EEG para a reconstrução de geradores corticais usando modelos de elementos de contorno com base na idade média de ressonância magnética modelos apropriados e profundidade ponderada estimativa mínima norma em um paradigma ERP padrão adequado para crianças. Neste paradigma, imagens de rostos e rostos mexidos são apresentados. Diferentes autores usaram este paradigma para investigar o desenvolvimento de mecanismos de processamento de rosto sobre o desenvolvimento 35. No nível do canal, os desvios mais negativos sobre direito occipito canais temporais são descritos para a condição de rosto em rosto condição mexidos. A topografia, latência e característica de resposta são consistentes com o componente N170 34. Fonte anterior e simultâneos investigações EEG fMRI relatam que o giro fusiforme é um gerador de probabilidade da resposta N170. Os resultados da análise mostram que a atual inversão de origem com um limite ponderada profundidademodelo de elementos (MEC) podem ser utilizados para localizar a actividade de origem no giro fusiforme na cara mexidos cara paradigma no nível de participantes individuais. O uso de modelos de cabeça com base na anatomia do participante individual ou a utilização de equipamento idade média de scans anatômicas para estudos de desenvolvimento, nos quais a anatomia individual não está disponível, permitirá a localização fonte mais precisa 2. Além disso, as regiões de interesse podem ser identificados com base em conhecimento anatômico ou algoritmos de divisão em parcelas automáticas para investigar a resposta de evento relacionado de determinadas regiões corticais.

Existem diversas limitações para a reconstrução fonte, particularmente em amostras de desenvolvimento, no momento. Em primeiro lugar, a reconstrução de origem com base em modelos médios para diferentes faixas etárias pressupõe que o indivíduo apresenta desenvolvimento típico cérebro para a sua idade cronológica, o que pode não ser necessariamente o caso, especialmente em grupos de pacientes. Paraexemplo, vários estudos descreveram trajetórias atípicas no crescimento do cérebro de crianças nascidas pré-termo 36 ou 37 crianças com autismo. É difícil estimar quanto essas diferenças anatômicas irá influenciar a precisão da solução inversa e distorcer os resultados de comparações entre os grupos de controle atípicos e típicos.

Em segundo lugar, os modelos para a frente, como o modelo de elementos de contorno (MEC) não incorporam heterogeneidades condutividade dentro de compartimentos, por exemplo, as diferenças entre substância cinzenta e branca. A precisão para fontes subcorticais é limitada. Soluções de código eram restritos a fontes corticais por esse motivo. Modelos de elementos finitos pode ser aplicado para mais resolução precisa de geradores subcorticais. Com as soluções restritas ao córtex, é importante ter em mente que a ativação em regiões corticais podem refletir mecanismos subjacentes subcorticais causadores, por exemplo, a comunicação via comentários laços tálamo.Portanto, inferências causais sobre o envolvimento de regiões corticais são limitados a menos que modelos mais complexos são usados ​​que estão disponíveis apenas para anatomia adulto típico, por exemplo, Dynamic Modelling Causal 38,39.

Além disso, modelos de elementos de contorno assumir conchas fechadas para cada compartimento. No entanto, as crianças pequenas têm pontos fracos em seus crânios, onde as suturas entre os ossos do crânio não são mescladas totalmente 15. Essa violação de pressupostos MEC limita severamente a aplicabilidade da reconstrução de origem com o MEC em crianças menores de 2 anos de idade. Modelos de elementos finitos podem ser usadas para a reconstrução fonte nesta faixa etária.

Em terceiro lugar, apesar de modelos de cabeça adequadas por idade foram utilizados para reconstrução de origem, os valores de condutividade com base em amostras de adultos foram usados ​​para modelar a condutividade dentro de cada compartimento. No entanto, a condutividade do tecido é provável que mudam ao longo do desenvolvimento, por exemplo., Por meio deaumenta a densidade óssea em 15. Valores de condutividade para tipos de tecidos usados ​​em BEM para bebês humanos e as crianças não estão disponíveis no momento para o nosso conhecimento.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os custos de publicação para este artigo foram patrocinados pela Elétrica Geodesics, Inc.

Acknowledgments

Queremos agradecer a Prof John Richards, da Universidade da Carolina do Sul, por nos conceder acesso ao banco de dados Desenvolvimento MRI e discussões úteis. Gostaríamos também de agradecer aos nossos patrocinadores Caridade de Great Ormond Street Children, UCL Impacto & Grandes Desafios.

Materials

Name Company Catalog Number Comments
High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software MATLAB R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software MATLAB R2012b The Mathworks Inc.
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: an open source toolbox for analysis of single trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm: A User Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 1–13, (2011).
Fischl, B. et al. Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45, (2010).
Brainard, D. H. The psychophysics toolbox. Spatial vision, (1997).

DOWNLOAD MATERIALS LIST

References

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Tags

Comportamento Edição 88 EEG eletroencefalograma desenvolvimento análise de origem pediátrica de estimativa de normas mínimas neurociência cognitiva potenciais relacionados a eventos
Cortical Fonte Análise de alta densidade EEG Recordings em Crianças
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Bathelt, J., O'Reilly, H., de Haan,More

Bathelt, J., O'Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter