Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

Kortikal Källa Analys av hög densitet EEG inspelningar i barn

doi: 10.3791/51705 Published: June 30, 2014

Summary

Under senare år har det funnits ett ökande intresse för att skatta de kortikala källor hårbotten uppmätta elektriska aktiviteten för kognitiva neuroscience experiment. I artikeln beskrivs hur hög densitet EEG förvärvas och hur inspelningar bearbetas för kortikal käll uppskattning hos barn från 2 års ålder på London baby Lab.

Abstract

EEG är traditionellt beskrivs som en neuroradiologiska teknik med hög temporal och låg rumslig upplösning. Senaste framstegen inom biofysisk modellering och signalbehandling gör det möjligt att utnyttja information från andra avbildningsmetoder som strukturell MRI att ge hög rymdupplösning för att övervinna denna begränsning 1. Detta är särskilt användbart för undersökningar som kräver hög upplösning i tinnin liksom rumsdomänen. Dessutom, på grund av den enkla program och låga kostnader för EEG-inspelningar, är EEG ofta den metod som föredras vid arbete med populationer, till exempel små barn, som inte tål funktionell MRI skannar väl. Men, för att undersöka vilka neurala substrat är inblandade, anatomisk information från strukturell MRI behövs fortfarande. De flesta EEG analyspaket fungerar med vanliga huvudmodeller som baseras på vuxen anatomi. Noggrannheten i dessa modeller när de används för barn är begränsad 2, eftersom comställning och rumslig konfiguration av huvudet vävnader förändringar dramatiskt under utveckling 3.

I föreliggande papper, ger vi en översikt över vårt senaste arbete i att utnyttja huvudmodeller baserade på individuella strukturella MRT eller åldersspecifika huvudmodeller för att rekonstruera de kortikala generatorer med hög densitet EEG. I artikeln beskrivs hur EEG-inspelningar förvärvas, bearbetas och analyseras med barnpopulationer på London baby Lab, inklusive laboratorie setup, aktivitetsdesign, EEG förbehandling, MRI bearbetning, och EEG-kanalnivå och källanalys.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

President Barack Obama beskrev den mänskliga hjärnan som nästa gräns för vetenskapliga upptäckter med stor betydelse för hälsa och ekonomi 3 (http://www.whitehouse.gov/share/brain-initiative). Men precis som alla andra fält inom naturvetenskap, neurovetenskap beror på framsteg inom metoder och analystekniker för framsteg. Två vanligen använda icke invasiva verktyg i studier om hjärnans funktion hos människor är magnetisk resonanstomografi (MRT) och elektroencefalografi (EEG). Dessa verktyg utnyttja olika fysikaliska egenskaper och ge olika insikter i hjärnfunktion med unika fördelar och nackdelar. MRI använder de magnetiska egenskaperna hos vattenmolekyler i magnetfält för att få bilder av levande vävnader. Ämnet måste placeras på en magnet med hög fältstyrka. Deltagarens rörelsen är begränsad under dessa förfaranden och deltagaren måste tåla buller som orsakas av snabba förändringar i det magnetiskafält. Förutom strukturella bilder, ger MRT också möjligheten att mäta förändringar i blodets syresättning för att undersöka hjärnans funktion (fMRI). Sammanfattningsvis ger MRT relativt hög rumslig upplösning på upp till 0,5 mm 3 med moderna höga fält skannrar och optimerade parametrar 4. I motsats härtill är begränsat till den långsamma kinetiken hos FET svar, som endast indirekt återspeglar de höga temporala dynamiken i neural aktivitet 5,6 den temporala upplösningen av fMRI.

Å andra sidan, EEG mäter förändringar i den elektriska aktiviteten som orsakas av aktiviteten hos nervceller genom elektroder placerade på hårbotten. Senaste framstegen inom EEG-teknik möjliggör snabb och enkel tillämpning av sensorer för kort eller lång sikt och stationära samt ambulatorisk inspelningar. Eftersom EEG är mindre restriktiv, det är också den metod som föredras för vissa deltagare populationer som inte tål MR-miljö väl som barn och vissageriatriska och psykiatriska populationer. Egenskaperna hos EEG visar ett omvänt mönster för att de av MRI: den temporala upplösningen är mycket hög med millisekund precision, men den rumsliga upplösningen är begränsad. Elektriska strömmar passera genom olika vävnader mellan deras generator och EEG-elektroder på ytan av hårbotten. Detta leder till blandning och rumsliga utsmetning av käll aktivitet som kallas volymledningseffekten. Därför aktivitet mätt genom elektroderna på ytan av hårbotten reflekterar aktivitet från flera källor som kan vara avlägsen till positionen för elektroden på huvudet 1,7.

Mycket arbete har under senare år ägnat sig åt att en sammanslagning av MRT och EEG i syfte att dra nytta av sina respektive styrkor. En typ av arbete är tillägnad den samtidiga förvärvet av EEG och MRI i funktionella studier. En annan metod är att använda den rumsliga information som strukturell MRI för att ta hänsyn till volym conduction effekt genom biofysiska modellering. Användningen av strukturell information om käll rekonstruktion av EEG-inspelningar är särskilt användbart för studier med pediatriska populationen. Undersökningen av utvecklingen av hjärnans funktion är central för att förstå hur komplexa kognitiva färdigheter är byggda ovanpå enkla prekursorer 8.

Dessa undersökningar hjälper att lyfta fram förändringar i de neurala substrat och svar egenskaper som korrelerar med förändringar i beteende-prestanda. Men utredningen av hjärnans funktion och kognition under utveckling innebär också särskilda utmaningar. Speciellt, är möjligheten för funktionella MRI-studier begränsad eftersom små barn och spädbarn antingen måste vara sovande eller lugnande preparat för att erhålla MRI data utan rörelseartefakter och negativ påverkan på deltagare välbefinnande. Vidare EEG uppfattas som mindre riskfyllda och invasiva av föräldrar, vilket gör att rekryteringen av forskningsdeltagare lättare. Therefore är EEG den viktigaste metoden för många undersökningar av hjärnans funktion hos små barn. Metodologiska framsteg i EEG-system tillåter att tillämpa hög densitet elektrod arrayer med 128 eller fler kanaler inom några minuter. Enkel ansökan och komfort är tillräckliga för att ens medge EEG-inspelning i de yngsta barnen. Men ofta forskare är inte bara intresserade av de temporala dynamiken i svar på vissa stimuli, men skulle också vilja jämföra de neurala substrat som förmedlar svaren.

En rådande antagande i kanalnivå ERP analys som jämför olika åldersgrupper är att samma neurala substrat reagerar, men att tidpunkten eller respons amplitud varierar mellan åldrarna 9. Liknande hårbotten topografi används ofta som en indikator på liknande underliggande neural aktivitet. Däremot kan många olika käll konfigurationer leda till liknande hårbotten kretsmönster 10. Genom att tillämpa käll uppskattning, unce dettartainty kan minskas och kvantifieras. Den oberoende observationer är avgörande för nätverkskonton för hjärnans funktion: om källorna är blandade, korrelationer kommer att vara partisk mot högre lokal anslutning. Källa uppbyggnaden kan användas för att minska denna förspänning 11. Alternativt kan skillnader i timing och fas används för analys-anslutning, men dessa matematiska modeller kräver antaganden som är svåra i icke simulerade data 12 för att utvärdera. Sammanfattningsvis ger käll uppskattningen ytterligare information till kanalnivå EEG och ERP-analys baserad på kunskap om anatomi och biofysikaliska egenskaper av vävnad.

Olika algoritmer har anvisats för att hitta lösningar på det inversa problemet. Dessa algoritmer stort sett delas in i två kategorier: parametriska och icke parametriska 13. Parametriska modeller antar en eller flera dipoler som kan variera i läge, riktning och styrka. I motsats, icke parametriska modeller behållarenna många dipoler med fast läge och orientering. I dessa modeller är hårbotten elektriska aktiviteten förklaras som en kombination av aktiveringar i de fasta dipoler 10,13,14. Icke parametrisk kan distribuerade källmodeller baseras på kunskap om anatomi och ledningsförmåga i olika medier. Boundary Element Modellerna har konduktivitetsvärden för de viktigaste vävnaderna i huvudet med olika skal för hjärnan, cerebro spinalvätska, och skalle. Detta är baserat på antagandet att konduktiviteten är mestadels konstant inom varje fack, men som markerade förändringar inträffar vid gränslinjen mellan olika fack. Finita element modeller är baserade på ytterligare segmentering av MR i grå och vit substans, så att konduktivitetsvärden kan tilldelas varje voxel 15.

Rent praktiskt, icke parametriska modeller är särskilt användbara för käll rekonstruktion i komplexa kognitiva uppgifter, där antalet områden som berörs kaninte känd 10. Boundary element modeller är mest använda i den aktuella litteraturen, förmodligen för att de mer exakta Finita Element Modeller utgör jämförelsevis höga beräknings krav. Vidare finns det betydande interindividuella variabiliteten i grå och vit substans, så att fems bör baseras på individuella MRT.

Icke parametriska modeller kräver ett andra steg för att matcha hårbotten uppmätta aktiviteten till förutsägelser av den framtida modellen. Återigen, har olika metoder med olika för-och nackdelar har diskuterats i litteraturen (se Michel et al. 2004 för en översikt). De mest använda algoritmer är baserade på minimum norm uppskattning (MNE), vilket matchar hårbotten uppmätta aktiviteten till en strömfördelning i framåt modellen med den lägsta totala intensitet 16. MNE är främst inriktad svaga och ytliga källor. Djup viktade MNE algoritmer försöka minska snedställning genom att införa viktningmatriser som bygger på matematiska antaganden 10. Den används flitigt Loreta synsätt är också baserad på viktade MNE, men dessutom minimerar Laplacian av källor, vilket leder till smidigare lösningar 17,18. Loreta har visat sig fungera bäst för enstaka källor i simuleringsstudier 19,20. Emellertid kan loreta leda till över utjämning av lösningar. Djup vägt MNE är att föredra när källorna är okända eller flera källor kommer sannolikt att vara närvarande 13, 16. En jämförelse av resultaten av olika algoritmer för att utvärdera inverkan av olika modellantaganden rekommenderas.

Sammanfattningsvis har källa rekonstruktion genom modelleringsmetoder varit begränsade för barn tills nyligen. Detta eftersom de flesta EEG analysprogram bygger på aggregatmodeller baserade på vuxna anatomi som kraftigt begränsar riktigheten av source-lösningar hos barn 2,8. Den billiga tillgång till datorkraft och tillhandahållande avanvändarvänlig mjukvara för käll rekonstruktion gör det möjligt att övervinna dessa begränsningar. Tillämpa käll uppskattning till EEG ger två viktiga fördelar jämfört med analys baserad på observationer kanalnivå ensam: förbättrad spatial upplösning och oberoende observationer.

Källa uppskattning får inte vara informativ i vissa fall: god täckning av huvudet är skyldig att särskilja källor. Hög densitet system med 128 eller flera elektroder rekommenderas 10,15; en glesare täckning kommer att fungera som en rumslig filter vilket leder till mer utbredd källaktivering eller falskt negativa resultat 10. Dessutom har käll rekonstruktion baserad på den metod som beskrivs i den här artikeln endast rapporterats för kortikala generatorer. Därför är det mindre lämpligt för att testa hypoteser om subkortikala substrat eller kortikala subkortikala interaktioner. Slutligen bör källanalys baseras på detaljerade tidigare hypoteser om de bark-substrat,ta befintlig litteratur från andra avbildningsmetoder i beaktande. Spatiala filtreringstekniker kan även användas för att förbättra den rumsliga upplösningen av EEG-signalen genom att minska fysisk blandning på hårbotten nivå. Alternativa metoder för att minska påverkan av volymledningseffekter utan huvud modellering används, till exempel, Laplace-filtrering 21 eller strömkälla Densitet analys 22. Men dessa metoder inte ge mer information om neurala generatorer som volymlednings effekter är inte bara begränsad till sensorer i nära fysisk närhet 1.

I följande avsnitt, beskriver artikeln hur experiment för undersökning av hjärnan och kognitiv funktion hos barn från 2 års ålder är utformade på London baby Lab. Därefter EEG datainsamling med hög densitet låg impedans system med barn diskuteras. Sedan är EEG förbearbetning och analys på kanalnivå presenteras. Lastly, i artikeln fokuserar på behandling av strukturella MRI data för kortikal käll rekonstruktion och analys av källnivåsignaler.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1. Designa EEG och evenemang relaterade potentiella experiment för barn

Anm: Ett enkelt experiment var avsedd för tillämpningen av denna artikel som kan användas för att undersöka ansikte bearbetning i små barn. Följande avsnitt beskriver experimentet och förklara hur man ska genomföra det med hjälp av MATLAB R2012b och Psychtoolbox V3.0.11 23,24. Bilder tagna från NimStim uppsättning emotionella ansiktsuttryck 25 användes för detta exempel. Denna stimulans set finns tillgänglig för forskningsändamål på begäran ( http://www.macbrain.org/resources.htm ).

  1. Överför RGB-bilder till gråskala för att minska skillnader mellan stimuli. Se Tabell 1 Anm. Dessa kommandon kräver Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Fria alternativ kan hittas through File Exchange ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Använd experimentell kontroll programvara för att genomföra experimentet med exakt timing för stimulans presentations utlösare med hjälp av en serie kommandon (se tabell 1 för ett exempel).

2. Datainsamling

  1. Se till att barnet är bekväm med testmiljön. Låt de yngre barnen att sitta i knät på sin vårdgivare eller i en bekväm barnstolen. Låt barnet ser och känner sensorn nätet innan det till barnets huvud. Om det finns en extra nät, har föräldern också prova en på, eller placera en på en docka eller uppstoppade nallen.
  2. Mät den maximala huvudomfång för att välja rätt nettostorleken för barnet. Använd ett måttband och håll den till nasion. Sedan mäter runt huvudet runt den största omkretsen (~ 1cm ovanför Inion). Observera: föra ett register över den uppmätta huvudomfång och sensor nätet används för senare analys 26. Det hjälper om föräldrarna huvudet mäts också för att göra barn mer bekväm med situationen.
  3. Identifiera vertex av huvudet i skärningspunkten mellan mitt avståndet mellan nasion och Inion och vänster och höger periauricular punkt. Markera denna punkt med en porslinspenna för att se till att vertex kanalen är rätt placerad vid tillämpningen nätet.
  4. Applicera sensorn nätet och se till att de viktigaste kanalerna är i linje med de anatomiska landmärken (nasion, Inion, vertex och vänster / höger mastoids). OBS: För de mest korrekta resultat, kan digitalt förvärvat ställning kanalerna på huvudet med hjälp av speciell digitaliseringsutrustning. Forskare som önskar förvärva sensorläget bör hänvisa till lämpliga handböcker hårdvara och mjukvara. Alternativt kan elektrodkartor som antar standard placering av elektroder längs anatomiska landmarks kan användas. Dessa kartor kan skevt att åldras lämpliga huvudmodeller som beskrivs i analysdelen.
  5. Se till att kanalerna har god kontakt med hårbotten genom att positionera sensorerna individuellt; försiktigt vrida varje sensor från sida till sida för att flytta hår ur vägen.
  6. Mät kanal vinster och kanal impedanser. Klicka på "Start" för att börja inspelningen i NetStation EEG inspelningsprogram och börja vinna och impedansmätning. Om mätningen inte startar automatiskt, använda "Kalibrera förstärkare" och "Mät Net Impedanser"-knappen.
  7. Kontrollera inspelningsprogrammet för kanaler med impedanser högre än 50 kQ som kommer att visas rött. Applicera ytterligare elektrolytlösning med en pipett för att sänka kanal impedanser. Kontrollera EEG display för kanaler som visar hög frekvens aktivitet trots låg impedans eller märkbart mindre aktivitet än omgivande kanaler (flat line kanaler). Dessa kanaler kan HAVe lös kontakt med hårbotten och kräver justering.
  8. För att hålla barnen bekväm under EEG-beredningen, tillåta barnet att lyssna på musik, titta på en ålder lämplig tecknad eller distrahera dem med en annan försöksledaren, t.ex. att blåsa såpbubblor för småbarn.

3. Analys

  1. Förbehandling
    1. Digitalt filtrera data med ett högpassfilter med en cut off på 0,1 Hz för att ta bort kanalen driver 27 (tabell 1).
    2. För ERP-analys, tillämpa ett lågpassfilter med en cut off på 30 Hz 27 (tabell 1).
    3. Epok kontinuerliga data i enlighet med de triggerkoder som under inspelning. För de flesta experiment, använda ett utgångsvärde på 200 msek före stimulans debut och en efter stimulans intervall på 600 msek för att täcka tidsintervallet av intresse (tabell 1).
    4. Ta epoker som innehåller rörelse eller blink artefakter: mark channels med en topp-till-topp amplitud högre än 150 mV - justera denna tröskel, beroende på deltagarens gruppen och datakvalitet. För konsekvensens använda samma tröskel för alla deltagare i en studie. Om en kanal är över denna tröskel i mer än 30% av de epoker, ta bort kanal (kanal aktivitet kan interpoleras från omgivande kanaler, om dessa innehåller acceptabla data). Om mer än 20% av de kanaler som är markerade som dåligt i en epok, avlägsna epok. Om mer än 20% av kanalerna avvisas av algoritmen eller mindre än 50% av epoker bevaras, överväga att ta bort datasetet från vidare analys (tabell 1).
      Anm: Procenttrösklar epok och kanal avvisande är ballpark siffror som tar bort en tillräcklig mängd brus i vår erfarenhet. Mängden artefakt i inspelningen kommer sannolikt att vara annorlunda genom att använda andra deltagande grupper, experimentella paradigm eller EEG-system. De praktiker kanske vill justera den procentuellatrösklar och kontrollera om de är nöjda med artefakten avslag. Alternativt kan praktiker avvisa prövningar som innehåller artefakt genom visuell inspektion.
    5. Re hänvisning till genomsnittliga referens genom att subtrahera medelvärdet aktivitet över kanaler från varje kanal (tabell 1). Obs! Vertex elektroden används vanligen som inspelnings referens i NetStation.
  2. Artifact Korrigering Använda Independent Component Analysis
    1. Importera data till SNABBARE verktygslådan 28 och kör den automatiska artefakt avvisande algoritm på data (Tabell 1).
    2. Använd grafiskt användargränssnitt (GUI) för SNABBARE; att öppna GUI, typ FASTER_GUI till kommandoraden.
    3. Avmarkera de filtreringsalternativ i filtreringsmenyn eftersom data redan har filtrerat före epoching.
    4. Ange antalet kanaler: 126 EEG-kanaler med 2 electrooculagram (EOG) kanaler.
    5. Angemarkörer som används för epoching data som strängar i en cell array. För det presenterade fallet ange: {"ansikte", "scra"} för ansiktet och kodade ansikte förhållanden.
    6. Välj de kanaler för den oberoende komponentanalys (ICA). Vanligtvis väljer all inspelningskanaler, inkl. externa icke EEG-kanaler.
    7. Ange input och output mapp i den högra rutan i det grafiska gränssnittet.
    8. Välj lämplig kanal fil för inspelningarna. OBS: Kanal filer för de flesta EEG-system kan antingen laddas ner från tillverkaren eller kan laddas ner från EEGLAB webbplats.
    9. Klicka på Kör för att starta snabbare behandling. Beroende på längden av inspelningarna och antal filer, kan denna bearbetning ta flera timmar.
    10. Inspektera visuellt inspelningarna, oberoende kartor komponent och ERP efter behandlingen.
  3. Kanalnivå Analys av händelse-relaterade Potentials Data
    1. Kombinera flera kanaler för att forma en virtuell cHannel med bättre signalbrusförhållande (tabell 1). Obs: Valet av kanaler bör baseras på tidigare rapporter i litteraturen eller a priori hypoteser. Välja kanaler som visar den högsta amplituden inom ett givet tidsfönster rekommenderas inte 29.
    2. Skaffa åtgärder som topp amplitud, menar amplitud och topp latens för att karakterisera vågformen och utföra statistiska test (tabell 1).
  4. Skapa Boundary Element Modeller (BEM)
    1. Segment den anatomiska MR-undersökning med Freesurfer. OBS: För de mest korrekta resultat, basera gränsen elementet modell på individuella MRT för varje deltagare. Om detta inte är möjligt, bör de genomsnittliga MRI mallar som matchar deltagarnas ålder så nära som möjligt användas. Observera att BEM inte kan användas för barn under 24 månader. Boundary element modeller antar att varje skal (hjärna, skalle, hud) består av ett slutet skal. Emellertid i young barn de Fontanelles i skallen är inte stängda, vilket bryter mot den slutna skal antagande.
      1. För att installera Freesurfer mjukvara, först ladda ner den från Freesurfer webbplats ( http://freesurfer.net/fswiki/DownloadAndInstall ). Därefter inrättades skalet miljön inkluderar Freesurfer; . för bashrc, innehålla följande kommandon i bashrc filen.:
        1. Export FREESURFER_HOME = / Applications / Freesurfer /
        2. Källa $ FREESURFER_HOME / FreeSurferEnv.sh
          OBS: Dessa kommandon antar att mappen Freesurfer finns i programmappen på en Unix-system. Det finns mer information om hur man ställer in Freesurfer med alternativa skal miljöer, t.ex. csh / tcsh, eller operativsystem på Freesurfer webbplats ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Därefter definierar Ämne riktningtory, dvs den mapp som produktionen kommer att skrivas att använda följande kommando:
        1. export SUBJECTS_DIR = / ... / BEM /
          Obs: Resultaten kan skrivas till en mapp på datorn.
      3. Därefter ändrar arbetskatalogen till den mapp som innehåller den MRI-filen för Boundary Element modell med följande kommando:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Barn / hjärna /
          Notera: Varje mapp på systemet kan anges med syntaxen för kommandot cd. Detta är ett exempel på den primära forskare filstrukturen.
      4. Slutligen, starta återuppbyggnaden med hjälp av följande kommandon:
        1. recon-all-i <mri_file>-subjid <subject_id>
        2. recon-all-all-subjid <subject_id>
          OBS: <mri_file> behöver ersättas med filnamnet på de önskade MRT i den aktuella katalogen. <subject_id> kan vara repspetsad med något namn. Freesurfer kommer att skapa en mapp med detta namn i ämneskatalogen. Beroende på vilket system som används, kan de sista kommandona kräver lite tid att köra.
    2. Kontrollera Freesurfer segmentering för felaktig segmentering, t ex. överlappande sfärer, anatomiskt osann fack etc. genom att importera segmenten i Brainstorm och använda visningsverktyg i GUI:
      1. I Brainstorm, väljer anatomi rutan. Importera den segmente MRI genom att högerklicka på motivet och välja "Importera Anatomy Folder". Se till att mappen med Freesurfer utgång väljs. Inspektera segmente visuellt genom att högerklicka och välja "Display". Obs: Alternativt kan Freesurfer kommandon användas. En detaljerad beskrivning finns på Freesurfer webbplats: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Om området av intresse analys baserad på anatomiska parcel önskas, Freesurfer funktioner mris_ca_label , mri_annotation2label och mri_mergelabels kan användas. Vi hänvisar till Freesurfer publikationer och online hjälpsidor för mer detaljerad information.
  5. Uppskatta Käll Aktivitet i Brainstorm
    1. Starta Brainstorm genom att skriva "brainstorming" i kommandofönstret.
    2. Skapa ett nytt protokoll genom att välja Nytt protokoll från menyn Arkiv.
    3. Lägg till en ny Ämnesområdeect till protokollet genom att välja Nytt ämne i menyn Arkiv.
    4. Importera EEG-data för deltagaren genom att högerklicka på motivet och välja "Importera MEG / EEG".
    5. Importera en kanal-fil genom att högerklicka och välja "Importera kanal fil". OBS: Kanal filen måste anpassas till MRT för käll rekonstruktion. Brainstorm använder ett system med 4 anatomiska referenspunkter som användaren behöver för att markera i MRI. Referera till brainstorm handledning för ytterligare information ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Standarden position som definieras av en kanal-fil för en viss EEG-system eller, helst, kan huvudet positioner som digitaliserades före EEG-registrering användas.
    6. Kontrollera att BEM och kanalerna rikta som förväntat: Högerklicka på kanalfilen för ämnet och navigera till "MRI registrering" och ", Kontrollera ". OBS: Om sfärerna inom modellen är överlappande eller om kanalerna är i BEM, kommer käll rekonstruktion ge felaktiga resultat. Justera inriktningen genom att använda "Redigera" i menyn "MRI segmentering".
    7. Beräkna buller kovariansmatrisen från baslinjen för varje epok genom att högerklicka på deltagaren och välja "Noise kovariansmatrisen" och "Beräkna från inspelning". OBS: Författarna till Brainstorm verktygslåda rekommenderar att du använder en diagonal buller kovariansmatris för korta inspelningar (~ mindre tidpunkter än kanaler) och en full man för längre inspelningar. Se till Brainstorm Source Uppskattning handledning för mer information: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Beräkna Käll modell genom att högerklicka på motivet och välja "Compute källkod ".
    9. Beräkna den inversa lösningen med hjälp av djup vägt Minimum Norm Skattning genom att högerklicka på motivet och välja "Compute Source" och "Minimum norm uppskattning". Obs: Andra alternativ (dSPM, sLORETA) finns tillgängliga. Varje alternativ har olika fördelar och nackdelar. Algoritmen skall väljas baserat på a priori överväganden och tidigare rapporter i litteraturen. Vidare är vissa algoritmer är bättre att lösa fokus aktivering i vissa områden, medan andra är mer lämpade för utbredd aktivering. MNE användes för denna studie bygger på tidigare rapporter i litteraturen 16. För konsekvensens skull bör samma algoritm för inverterad lösning användas för alla deltagare i en studie. Forskarna kan också jämföra hur robusta resultaten är att tillämpningen av olika inverterade lösningsalgoritmer.
    10. Upprepa punkt 3 för alla deltagare i studien. Obs: Använd antingen grafiska dosering gränssnitt eller skript för att upprepa behandlingssteg för deltagarna. Se Brainstorm för instruktioner ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Genomsnittlig källa aktivitet över försök per deltagare genom att dra inspelningarna till Process-menyn och välja "Average" och "Med tillstånd (ämnes genomsnitt)".
    12. Kontrast tillståndet genom att välja "Processer 2" och dra varje villkor i ett fönster. Välj sedan "Test" och "Students t-test" eller "Students t-test (paras)" beroende på design. För att utföra multipla jämförelser, ställa amplitud och trösklar området på displayen av den resulterande statistisk kartan i menyn "Stat". Obs: Alternativt kan aktiveringskartor exporteras till SPM ( http://www.fil.ion.ucl.ac.uk / spm /) för mer djupgående statistisk analys ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Beräkna den händelserelaterade respons för en region av intresse. För parcel baserade ROI, ladda Freesurfer parcel genom att högerklicka på hjärnbarken ytan i anatomi-menyn och välj "Importera etiketter". Navigera motsvarande fil och ladda den. Nu väljer en ROI i "Scout" rutan i funktionella datamenyn.
    14. Skaffa ROI händelse relaterad aktivitet genom att dra filer till Process 1-fönstret och välj "Extract Scout Time Series" från källmenyn. OBS: Flera ROI kan väljas samtidigt och ROI tidsserier kan exporteras för vidare plottning och analys genom att högerklicka på scouttidenseriedata och välja "Exportera till Matlab".

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Utforma ERP-experiment för spädbarn och barn är ofta utmanande, på grund av deras begränsade förmåga att tolerera långa upprepade experiment 30. Problemet förvärras ytterligare när försöksledaren planerar att tillämpa käll rekonstruktion, eftersom korrekt källa rekonstruktion kommer att kräva en hög signal-brus-förhållande 1. Figur 1 visar en försöksprotokoll för undersökning av ansiktet behandlingsmekanismer som kan användas med mycket små barn. Det paradigm är anpassad till a) minimera öga blinkar och ögonrörelser under stimulans presentation, eftersom barn kommer att vara mindre kunna styra ögonrörelser än vuxna frivilliga b) göra experimentet mer engagerande genom att lägga uppmärksamhet grabbers efter bland stimulansintervallet. Ögon blinkar och ögonrörelser styrs genom att presentera en fixering kors strax före stimulans för att dra uppmärksamheten till mitten av skärmen. Vidare stimulusdurationär satt till 500 msek, vilket möjliggör medvetna uppfattning av stimulans och samtidigt minimera tiden för att skanna bilden med ögonrörelser. Den uppmärksamhet grabber består av en barnvänlig bild presenteras med en samtidig ljud. Ett slumpmässigt urval av olika uppmärksamhet grabber stimuli kan användas för att hålla uppgiften intressant för barnet. Nästa försök kan startas av försöksledaren, när det framgår av det övervakningssystem som barnet tittar på mitten av skärmen igen. Dessutom kan berättelser användas för att hjälpa äldre barn går till skärmen. Det är ofta bra att öva aktiviteter med barnen innan EEG-inspelning för att se till att barnet förstår uppgiften. Screening frågor eller poäng som i övning kan användas som kovariater i senare analyser.

Vid beräkning av antal repetitioner som behövs för försöket, är det viktigt att ta hänsyn till att många rättegångar kan gå förlorade på grund av ouppmärksamhet or rörelse artefakt när man arbetar med barn. Som en tumregel bör det nödvändiga antalet repetitioner fördubblas jämfört med vuxenstudier eller rekrytera ett större antal deltagare. Den uppmärksamhet span och samarbete är begränsad hos barn jämfört med vuxna. Därför håller de särskilda behoven hos barn i åtanke vid utformningen av uppgiften. En lång uppgift kan delas in i flera block med kortare uppdrag med pauser mellan. Normalt är antalet tillstånd som kan ingå i experimentet mindre för mycket små barn, eftersom de inte kommer att kunna samarbeta för längre perioder som behövs för att få tillräckliga försök för många stimulansvillkor.

De siffror som presenteras är baserade på en inspelning med en 6-årig pojke (6 år 3 månader). Huvudet modellen baserat på en genomsnittlig MRI-mall av 6-åringar 31 Figur. 5 visar kanalnivå händelse med anknytning möjliga svar (ERP) för att möta och förvrängda ansikts stimuli. Det waveform av ERP över bakre kanaler visar det förväntade mönstret för en positiv nedböjning följt av en negativ nedböjning och en efterföljande bred positiv nedböjning. Baserat på den topografi, tidsförloppet och karaktären av paradigm, är dessa nedböjningar sannolikt representerar P100, N1 och sena positiva potentialkomponent. Vidare är den tidiga negativa böjningen betydligt större för ansikts stimuli jämfört med kodade ansikten. Därför är det troligt att spegla ansiktet specifika N170-komponent. De topografiska kartor i figur 5 visar spänningsfördelningen mellan 250 och 300 ms. Negativ spänning med en maximal över höger occipito-temporala kanaler i ansiktet villkoret är uppenbar.

Figur 6 visar den statistiska jämförelsen av käll aktivitet projiceras baserat på en standard vuxna huvudmodell och en ålder lämplig huvud modell. Källa rekonstruktion baserades på en gräns element modell (BEM) med djup vägdminiminorm uppskattning (wMNE) och full brus kovariansmatris i Brainstorm v. 3.1 32. Standard MNI Colin27 BEM användes som vuxenmodellen. Källa aktiviteten i genomsnitt över tiden mellan 250 och 300 ms i linje med ansiktet specifika svar på kanalnivå.

Kartan visar resultaten av en jämförelse Student t-test mellan ansikten och förvrängda ansikten tillstånd korrigerade för multipla jämförelser med hjälp av falska upptäckt ränta (FDR). Resultaten visar betydligt starkare källaktivering över tinningloben i ansiktet jämfört med den förvrängda ansikten skick. Lokaliseringen använder åldern lämplig modell är mer fokus med stora skillnader på den ventrala ytan av den temporala cortex. Lokalisering baserad på vuxna huvudmodellen är mer skingra och visar källaktivitetsskillnader på höger mediala och överlägsna temporal gyrus som oftast är frånvarande på kartan baserat på ålder lämpliga huvud modell.

Figur 1

Figur 1. Exempel på ett ansikte uppfattning experimentera passar över ett brett åldersintervall Experimentet består av visuell presentation av bilder av ansikten eller förvrängda ansikten. De stimuli är fysiskt identiska, men det rumsliga arrangemanget är randomiserade i den kodade tillstånd. Varje rättegången inleds med central presentation av en fixering kors för att minimera ögonrörelser under stimulans presentation. Tiden för fixering kors presentationen randomiserades för att undvika påverkan av ångan över flera repetitioner. Den stimulans presenteras under en löptid på 500 msek. Den kortvariga också minimera risken för ögonrörelser under presentationen fönstret. En uppmärksamhet greppa stimulus presenteras efter en inter rättegång intervall med slumpmässig löptid mellan 1 sek och 2 sek. Den åtminmärksamhet grabber är särskilt användbart för mycket unga deltagare som sannolikt inte kommer att sköta många försök av icke engagerande material i sekvens. Experimentet kan starta nästa rättegång, då deltagaren ser på skärmen som svar på den uppmärksamhet grabber.

Figur 2
Figur 2. Flödesschema för tröskel avvisande algoritm. Algoritmen jämför högst respektive EEG-kanal i varje epok till en viss tröskel. Om en kanal innehåller maximal aktivitet över tröskelvärdet, är kanalen markeras som dåliga. Om mer än 20% av alla kanaler är dåliga i en given epok är epoken förkastas. Efter epok avvisande, är den maximala aktiviteten i varje kanal jämfört med tröskeln igen. Om en kanal innehåller aktivitet över tröskelvärdet på mer än 30% av alla epoker, är kanalen avvisas. Om mer än 20% av kanalerna avslås av detta förfarande eller mindre än 50% av epoker per tillstånd lämnas efter epok avslag bör dataset uteslutas från vidare analys. Klicka här för att se en större version av denna siffra.

Figur 3
Figur 3. Automatisk artefakt korrigering med hjälp av SNABBARE verktygslådan 28. Figuren visar alternativ som måste ändras för att använda SNABBARE verktygslåda med installationen och bearbetning rörledning som beskrivs i den här artikeln:.. 1 Filtrering bör inaktiveras, eftersom datamängden har redan filtrerats 2 Antalet kanaler behöver justeras. Anläggning som används i den här artikeln har 126 kanaler med2 EOG kanaler. 3. Händelse-markörer för tid låsning måste specificeras som en cell array med strängar. 4. Tiden fönster för den händelserelaterade svar måste levereras. Detta måste vara identiskt med det fönster som används i den tidigare epoching steget. 5. Användaren har att definiera kanaler för den oberoende komponentanalys (ICA). I de flesta fall skulle det omfatta alla EEG-kanaler och relevanta externa kanaler som ögat kanaler (EOG). 6. Indexen för ögonkanalerna måste också anpassas till EEG-system som används. För EEG-systemet beskrivs, skulle dessa kanaler 125 och 128. klicka gärna här för att se en större version av denna siffra.

Figur 4
Figur 4. Källanalys i Brainstorm 32. 1. När du har importerat EEG dataset och Freesurfer ytor, Boundary Element Model (BEM) kan beräknas genom att välja "Beräkna huvud modell" i "Source"-menyn. 2. Buller kovariansmatris kan beräknas från inspelningarna genom att välja "Beräkna buller kovarians". Om inspelningen är tillräckligt lång, dvs flera tidpunkter än sensorer, den fullständiga kovariansmatrisen kan beräknas, annars en diagonalmatris rekommenderas. 3. Efter beräkning huvudet modell och buller kovariansmatris, är det möjligt att erhålla den inversa lösningen. Olika algoritmer kan användas. Djupet vägda Minimum Norm Estimation (wMNE) algoritm användes för den här artikeln. 4. Tidsförloppet för käll aktivitet i områden av intresse (ROI) kan utvinnas, genom att välja "Utdrag Scout Time Series" f rom menyn "Källa". ROI från automatisk kortikala parcel i Freesurfer användes för detta exempel. klicka gärna här för att se en större version av denna siffra.

Figur 5
Figur 5. Händelse relaterade potentialer svar (ERP) för att möta och oordning ansikte stimuli över höger occipito tids kanaler. ERP visar en mer negativ nedböjning mellan 130 och 220 ms efter stimulans debut på höger sida efter ansikten jämfört med förvrängda ansikten. Dessa egenskaper är i linje med tidigare rapporter om N170-komponenten 33. Klicka här för att se en större version av denna siffra.

ove_content "fo: keep-together.within-page =" alltid "> Figur 6
Figur 6. Jämförelse av käll lokalisering mellan en standard vuxna huvudmodell och en lämplig huvudmodell. Den översta raden i figuren visar MNI vuxna gränsen huvud modell colin27 till vänster och en ålder lämplig huvud modell baserad på en Freesurfer styckning av ett genomsnittligt MRI mall för 6 år gamla barn till höger. Platserna för coregistered elektrodplaceringar presenteras också. Inspelningen erhölls från en 6-årig pojke (6 år 3 månader). Den andra och tredje raden visar resultaten av en statistisk jämförelse mellan aktiverings kartor över MNE käll rekonstruktion i ansiktet jämfört med den förvrängda ansikten villkoret baseras på en t-test korrigerat för multipla jämförelser med hjälp False Discovery Rate (FDR). Den färgkartan visar effekten storlek med rött indikerar högre aktiviteti ansikten skick och blått visar högre aktivitet i den förvrängda ansikten skick. Observera att inga amplitud eller storlekströsklar tillämpades. Lokaliseringen verkar mer fokus på den ventrala ytan av den tidsställning med hjälp av ålder lämpliga huvud modell jämfört med den vuxna BEM. klicka gärna här för att se en större version av denna siffra.

Figur 7
Figur 7. Source ERP av rätten spolformade gyrus svar på ansikten och förvrängda ansikten utifrån käll rekonstruktion av en inspelning som erhållits från en 6-årig pojke (6 år 3 månader) med en ålder lämplig BEM med MNE Käll ERP visar en mer negativ nedböjning runt 250 ms efter stimulans debut i ansikten skick jämfört med scrambled vetter tillstånd. Denna verksamhet kommer sannolikt att spegla bidrag rätt spolformade gyrus till N170-komponenten i ansikten skick.

<td>
Ingång för steg 1.1 Beskrivning
input_image = imread ('/ Users / some_user / images / example.jpeg'); % Läsa bilden
gray_image = rgb2gray (input_image); % Överföring från RGB till gråskala
saveas (gray_image 'grey_image.tiff') % Spara ny bild
Ingång för steg 1.2 Beskrivning
Kod Exempel:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Städning
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc % clearing variabler från arbetsyta
rensa alla
Stäng alla % Inställning ljuddrivrutiner till låg latens läge
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Variabler
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings ERP Lab Users Mina dokument MATLAB Faces_Houses '; % Definierar arbetskatalog
netstation = 1;
% Detta växlar kommunikation med programvara NetStation EEG inspelning
% Definiera antalet försök
no_of_trials = 80; % Enande tangentbordsnamn för enkel bärbarhet between Unix och PC-versioner
KbName ('UnifyKeyNames') % Definiera en variabel för en flykt knapptryckningar
escapeKey = KbName (ESCAPE);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Laddar stimuli
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: Documents and Settings ERP Lab Users Mina dokument MATLAB Faces_Houses Faces '); % Förse mappen med stimuli bilder
filer = dir (face_directory); % Generera en lista med alla bild stimuli
ansikten = {files.name};
ytorna (1:02) = [];
grabbers = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / grabbers /'); </ Td>
Grabbers = {grabbers.name};
Grabber (1:02) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / ljud /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:02) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Starta experimentet
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Om netstation == 1; NetStation ("Anslut", '194 .82.245.131 ', '55513') % Synkronisering med inspelningsprogrammet
NetStation ('Synchronize', 10) % Synkronisering inom 10 ms noggrannhet
NetStation ('StartRecording') % Startar inspelningen
ände
% Ställa in skärmen
screenNum = 0; % Identifikationsnummer för presentationsskärmen
% Definiera ett fönster för stimulans presentation
[Display.w, display.rect] = Skärm ('OpenWindow ", screenNum, 0);
[WPtr, rect] = Skärm ('OpenWindow ", screenNum); % Gömmer muspekaren
HideCursor;
svart = BlackIndex (wPtr); % Inställning bakgrunden till svart
Skärm ('fillRect', wPtr, svart); % Definiera teckensnitt och teckenstorlek för textvisning
Skärm ('textFont ", display.w," Arial ");
Skärm ('Textsize ", display.w, 32);
Skärm ('TextStyle ", display.w, 0);
för i = 1: no_of_trials
FlushEvents
randomisör = randi (2);
% Slumpmässigt välja en uppmärksamhet grabber bild
attention_grabber = imread (strcat (input_folder 'grabbers /', cell2mat (Grabber (randi (längd (gripdon))))));
[Ljud, fs, nbits] = wavread (strcat (input_folder, "låter / ', cell2mat (grabber_sounds (randi (längd (Grabber))))));
audio_handle = PsychPortAudio ('Open', [], [], 0, fs, längd (ljud (1, :)));
ljud = ljud "; % Slumpmässigt välja en uppmärksamhet grabber ljud
PsychPortAudio ('FillBuffer', audio_handle, ljud);
% Inrätta ljudpresentation
stimulus = strcat (face_directory, ansikten (randi (längd (ansikten))));
stimulus = imread (cell2mat (stimulus)); % Detta randomises presentationen av ansikten och förvrängda ansikten
om Randomizer == 2; % Laddar den stimulans som var slumpmässigt utvalda från listan av stimuli
stimulus = stimulus (randperm (längd (stimulus (:, 1))), randperm (längd (stimulus (1, :))));
ände % Förvränga den stimulans matrisen, om rättegången är en kodad rättegång
stim = Skärm ('MakeTexture ", wPtr, dubbel (stimulus)); % Stimulus
% Förbereda stimulans för presentation
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Trial
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Detta avsnitt är endast relevant för den första rättegången
om jag == 1;
[Nx, ny, box] = DrawFormattedText (wPtr, "Tryck på valfri tangent för att starta", "mitten", "centrum", [255 255 255]);
Skärm ('FrameRect ", wPtr, 0, box);
[VBLTimestamp StimulusOnsetTim] = Skärm ('Flip ", wPtr); % För den första rättegången, texten "Tryck på valfri tangent för att starta" presenteras tills en knapp trycks
KbWait ([], 2);
[Nx, ny, box] = DrawFormattedText (display.w, "", "mitten", "centrum", 255); % Tom skärm
Skärm ('FrameRect ", display.w, 0, box); [VBLTimestamp StimulusOnsetTim] = Skärm ('Flip ", wPtr);
ände
% Fixering Cross
[Nx, ny, bbox] = DrawFormattedText (wPtr, "+", "center", "centrum", 255);
Skärm ('FrameRect ", display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = Skärm ('Flip ", wPtr); % Förbereder ett vitt plustecken i mitten av skärmen som fixerings korset
Om netstation == 1; % Presentera fixering kors
NetStation ('händelse', 'fix +', StimulusOnsetTim) slut
% Skicka en trigger med tidsstämpel för fixering kors presentation koden "fix +" till EEG inspelningsprogram
% Begränsande presentationstiden för fixering kors till en slumpmässig löptid mellan 0,15 och 0,2 sek
% Stimulus % Presentera ansiktet eller förvrängd ansikte stimulans
Skärm ('DrawTexture ", wPtr, stim);
[VBLTimestamp StimulusOnsetTim] = Skärm (wPtr, "Flip");
Om netstation == 1; % Skicka trigger med tidsstämpel och kod "ansikte" eller "scra" ansikte mot programvara EEG-inspelning
om Randomizer == 1;
NetStation ("händelse", "ansikte", StimulusOnsetTim)
ElseIf Randomizer == 2;
NetStation ('händelse', 'scra ", StimulusOnsetTim)
ände
ände
WaitSecs (0,5) % Gräns ​​stimulusduration till 500 msek
% Presenterar en tom skärm
[Nx, ny, box] = DrawFormattedText (wPtr, "", "mitten", "centrum", 255); % Tom skärm
Skärm ('FrameRect ", wPtr, 0, box);
[VBLTimestamp StimulusOnsetTim] = Skärm ('Flip ", wPtr);
WaitSecs (1 + rand (1)) % Bland försöksintervallet med ett slumpmässigt löptid mellan 1 och 2 sek
% Uppmärksamhet grabber % Presentera uppmärksamhet grabber med ljud
Skärm ('DrawTexture ", wPtr, grabber);
ljud = PsychPortAudio ("Start", audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Skärm ('Flip';, WPtr);
Om netstation == 1;
NetStation ('händelse', 'grbr ", StimulusOnsetTim) % Skicka tidsstämpel och för den uppmärksamhet grabber till programvaran EEG-registrering
ände
% Presentera uppmärksamhet grabber och ljud till en tangent på tangentbordet trycks ned
KbWait ([], 2);
PsychPortAudio ('Stop', audio_handle);
Skärm ('FrameRect ", display.w, 0, box); % Avbryta experimentet, om du tryckte på Escape
[VBLTimestamp StimulusOnsetTim] = Skärm ('Flip ", wPtr);
[KeyIsDown, timeSecs, keyCode] = KbCheck; om keyIsDown
om keyCode (escapeKey)
sca
NetStation ('StopRecording')
avkastning
ände
ände % Avsluta försöket och stoppa EEG inspelningen i slutet av experimentet
ände
Skärm ('CloseAll');
Om netstation == 1;
NetStation ('StopRecording')
ände
Ingång för steg 3.1.1 Beskrivning
OUTEEG = pop_eegfilt (INEEG, 0,1, []); % OUTEEG = EEG-data efter filtrering, dvs. funktion utsignalen
% INEEG = EEG data innan filtrering, det vill säga funktionsingång
% 0,1: högpass-gränsfrekvens
% []: Lågpass-cut-off, odefinierad eftersom en hög-pass-filtret är önskvärt
Ingång för steg 3.1.2 Beskrivning
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: Högpass avskuren, odefinierad eftersom ett lågpassfilter önskas
% 30: lågpass-gränsfrekvens
Ingång för steg 3.1.3 Beskrivning
OUTEEG = pop_epoch (INEEG, "händelse", {"ansikte", "scra '}, [-0.2 0.6]); % Epoching
% "Händelse", {"ansikte", "scra '}: funktionen är tillsagd att använda utlösande händelser" face "och" scra "som tiden låsning markörer. Dessa triggers definierades i experimentet skriptet för att markera starten av ansikte och förvrängd ansikte stimulus presentation debut.
% [-0,2 0,6] = tidsfönster för affärssystem från 0,2 sek innan tiden låsning händelse till 0,6 sek
OUTEEG = pop_rmbase (EEG, [-0.2 0]); % Ta baslinjen
% [-0.2 0]: baslinje tidsfönster, det vill säga 0,2 sek innan tiden låsnings händelsen till tiden låsning händelsen
Ingång för steg 3.1.4 Beskrivning
Funktionen [EEG] = threshold_rejection (EEG, tröskel) Definition% funktion kräver funktionen en EEG dataset struktur och en tröskel i μV
för j = 01:02
för i = 1: längd (EEG.data (1,1, :)) % Detta loopar går igenom alla epoker i en given EEG datamängd
uppgifter = EEG.data (:,:, i);
uppgifter = Data - medelvärde (data, 2); % Subtraherande the betyda aktivitet för att undvika påverkan av amplitud skift
maxima = max (abs (data ")) '; % Identifiera den maximala absoluta aktiviteten i alla kanaler
bad_channels = maxima> tröskel;
channel_rejection (:, i) = bad_channels;
om summan (bad_channels)> 0,2 * 128 % Om mer än 20% av kanalerna är över tröskelvärdet, är epoken märkt för avslag
epoch_rejection (i) = 1;
annars
epoch_rejection (i) = 0;
ände
ände
Om j == 1; % Väljer bara de epoker som inte är märkta som dåliga
EEG = pop_select (EEG, "rättegång", hitta (epoch_rejection == 0))
annars % Markera kanaler som är dåligt i mer än 20% av epoker efter epok avslag för kanal avslag
bad_channels = medelvärdet (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, hitta (bad_channels == 1), "sfärisk"); % Tillämpas sfärisk interpolation för dåliga kanaler
ände
ände
Ingång för steg 3.1.5 Beskrivning
EEG = pop_reref (EEG, []); % Beräknar medel referens
Ingång för steg 3.2.1 Beskrivning
kanaler = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % Höger N170 % occipito-temporala kanaler den högra hjärnhalvan% för N170 svar med hjälp av kanal etiketter för% 128 kanaler geodetiska Hydrocel Sensor Net
EEG = pop_select (EEG, "kanal", kanaler); % Välja kanaler
Virtual_channel = medelvärdet (EEG.data, 1); % Kombinera de individuella kanaler till en virtuell kanal
Ingång för steg 3.3.2 Beskrivning
N170_peak = max (abs ((averaged_ERPs (0,13 * srate 0,2 * srate: 0,2 * srate 0,2 * srate), [], 2)); % Maximal amplitud inom en latens fönster för varje deltagare i μV
N170_peaklatency = 1000 * (hitta (averaged_ERP (0,13 * srate +0,2 * srate: 0.2 * srate +0.2 * srate) == N170_peak) + 0,2 * EEG.srate + 0,13 EEG.srate). / EEG.srate % Peak latency i ms
N170_mean = medelvärde (averaged_ERPs:, 0,13 * srate +0,2 * srate: 0.2 * srate +0.2 * srate), [], 2); % Medelvärde amplitud i μV

Tabell 1. MATLAB-kommandon för att genomföra ee exempel experiment och analysera hög densitet EEG-inspelningar på kanal-och source-nivå. Tabellen samman koden för att genomföra de ansikten vs scrambled ansikten exempel experiment. Vidare är koden för pre bearbeta råa EEG presenteras. Dessutom är metoder för att utvinna vågformsdata variabler för analys kanalnivå av den händelserelaterade svar visas.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Den nuvarande artikeln beskrivs registrering och analys av hög densitet EEG för rekonstruktion av kortikala generatorer använder gräns element modeller baserade på ålder lämpliga genomsnittliga MRI mallar och djup viktade miniminorm uppskattning i en standard ERP paradigm lämplig för barn. I detta paradigm, är bilder av ansikten och förvrängda ansikten presenteras. Olika författare använde detta paradigm för att undersöka utvecklingen av ansiktsbehandlingsmekanismer under utveckling 35. På kanalnivå, är mer negativa omläggningar över höger occipito tids kanaler beskrivs för ansiktet villkoret att den förvrängda ansikts skick. Topografin, latens och svarskarakteristik är förenliga med N170-komponenten 34. Föregående källa och samtidiga EEG fMRI undersökningar rapporterar att den spolformade gyrus är en trolig generator av N170 svaret. Resultaten av denna analys visar att källan inversion med ett djup vägda gränselementmodell (BEM) kan användas för att lokalisera källan aktivitet i spolformade gyrus i ansiktet förvrängda ansikts paradigm på de enskilda deltagarna. Användningen av huvudmodeller baserade på den enskilde deltagarens anatomin eller användning av åldersanpassade genomsnitt anatomiska skannar för utvecklingsstudier, där den individuella anatomin inte är tillgänglig, kommer att tillåta den mest korrekta källan lokalisering 2. Vidare kan områden av intresse identifieras utifrån anatomiska kunskaper eller automatiska parcel algoritmer för att utreda händelsen relaterad respons av vissa kortikala regioner.

Det finns flera begränsningar för käll rekonstruktion, särskilt i utvecklings-prover, för tillfället. Först käll rekonstruktion baserad på genomsnittliga mallar för olika åldersgrupper förutsätter att individen visar typiska hjärnans utveckling för sin kronologiska ålder, vilket inte skulle nödvändigtvis vara fallet, särskilt i patientgrupper. Förexempel olika studier som beskrivs atypiska banor i hjärnans tillväxt för barn födda för tidigt födda 36 eller barn med autism 37. Det är svårt att uppskatta hur dessa anatomiska skillnader kommer att påverka noggrannheten i den omvända lösningen och bias resultaten av jämförelser mellan atypiska och typiska kontrollgrupper.

För det andra visar termins modeller som gräns element modell (BEM) inte införliva konduktivitet inhomogeniteter inom fack, t.ex. skillnader mellan grå och vit substans. Noggrannheten för subkortikala källor är därför begränsad. Source-lösningar var begränsade till kortikala källor av den anledningen. Finita element modeller kan tillämpas för noggrannare upplösning av subkortikala generatorer. Med lösningar begränsade till hjärnbarken, är det viktigt att komma ihåg att aktivering i kortikala regioner kan återspegla underliggande subkortikala orsakande mekanismer, till exempel, återkoppling kommunikation via talamus slingor.Därför är kausala slutsatser om medverkan av kortikala regioner begränsad om mer komplexa modeller används som för närvarande endast tillgänglig för typisk vuxen anatomi, t.ex. dynamisk Orsaks Modellering 38,39.

Vidare Boundary element modeller antar slutna skal för varje fack. Men unga spädbarn har mjuka fläckar i deras skallar, där suturerna mellan skallbenen inte är helt sammanslagna 15. Denna kränkning av BEM antaganden begränsar allvarligt tillämpningen av käll rekonstruktion med BEM i barn yngre än 2 år. Finita element modeller kan användas för käll återuppbyggnad i denna åldersgrupp.

För det tredje, även om åldersanpassade huvud modeller användes för käll rekonstruktion, var konduktivitetsvärden baserade på vuxna prover som används för att modellera konduktivitet inom varje fack. Dock är vävnad konduktivitet sannolikt förändras över utvecklingen, t.ex.., Genomökar bentäthet 15. Konduktivitetsvärden för vävnadstyper som används i BEM för mänskliga spädbarn och barn finns inte tillgängliga för vår kunskap.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Publiceringskostnader för den här artikeln var sponsrad av elektriska geodesics, Inc.

Acknowledgments

Vi vill tacka professor John Richards, University of South Carolina, för att bevilja oss tillgång till Develop MRI-databasen och hjälp diskussioner. Vi vill också tacka våra finansiärer Great Ormond Street Barnens välgörenhet, UCL Impact & Grand Challenges.

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).
Kortikal Källa Analys av hög densitet EEG inspelningar i barn
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

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).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