Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

Corticale Bronanalyse van High-Density EEG-registraties bij kinderen

doi: 10.3791/51705 Published: June 30, 2014

Summary

De laatste jaren is er toenemende belangstelling voor het schatten van de corticale bronnen hoofdhuid gemeten elektrische activiteit tegen cognitieve neurologie experimenten geweest. Dit artikel beschrijft hoe een hoge dichtheid EEG wordt verworven en hoe opnames worden verwerkt voor corticale bron schatting bij kinderen vanaf de leeftijd van 2 jaar op de London baby Lab.

Abstract

EEG wordt traditioneel beschreven als een neuroimaging techniek met een hoge temporele en lage ruimtelijke resolutie. Recente ontwikkelingen in de biofysische modellering en signaalverwerking maken het mogelijk om informatie van andere beeldvormende technieken zoals structurele MRI die hoge ruimtelijke resolutie om deze beperking 1 ondervangen exploiteren. Dit is vooral handig voor onderzoek dat een hoge resolutie in de temporele en ruimtelijke domein nodig. Bovendien, vanwege de eenvoudige toepassing en lage EEG-registraties, EEG vaak de voorkeurswerkwijze wanneer u met populaties, zoals jonge kinderen die niet tolereren functionele MRI scans goed. Echter, om te onderzoeken welke neurale substraten betrokken anatomische informatie van structurele MRI is nog steeds nodig. De meeste EEG analyse pakketten werken met standaard kop modellen die gebaseerd zijn op anatomie. De nauwkeurigheid van deze modellen bij gebruik voor kinderen is beperkt 2, omdat de composition en ruimtelijke configuratie van het hoofd weefsels veranderingen dramatisch ontwikkeling 3.

In de huidige papieren, geven we een overzicht van onze recente werk in het benutten van hoofd-modellen op basis van individuele structurele MRI-scans of specifieke leeftijd hoofd modellen om de corticale generatoren van hoge dichtheid EEG reconstrueren. Dit artikel beschrijft hoe EEG-registraties worden verworven, verwerkt en geanalyseerd met pediatrische populaties aan de London baby Lab, waaronder laboratoriumopstelling, taak ontwerp, EEG voorbewerking, MRI verwerking, en EEG kanaal niveau en bronanalyse.

Introduction

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

President Barack Obama beschreef de menselijke hersenen als de volgende grens van wetenschappelijke ontdekking met een groot belang voor de gezondheid en de economie 3 (http://www.whitehouse.gov/share/brain-initiative). Maar zoals bij elk ander gebied in de natuurwetenschappen, de neurowetenschappen, hangt af van de vooruitgang in de methoden en analysetechnieken voor vooruitgang. Twee vaak gebruikte niet-invasieve instrumenten in studies over hersenfunctie bij mens magnetische resonantie beeldvorming (MRI) en elektro-encefalogram (EEG). Deze functie benut verschillende fysische eigenschappen en bieden verschillende inzichten in hersenfunctie met unieke voordelen en nadelen. MRI maakt gebruik van de magnetische eigenschappen van watermoleculen in magnetische velden om beelden van levende weefsels vinden. Het onderwerp heeft in een magneet met een hoge veldsterkte worden geplaatst. Beweging van de deelnemer is beperkt tijdens deze procedures en de deelnemer moet geluid veroorzaakt door de snelle veranderingen in het magnetische tolererenveld. Naast structurele afbeeldingen MRI geeft ook de mogelijkheid om veranderingen in het bloed oxygenatie meten hersenfunctie (fMRI) onderzocht. Samengevat, MRI biedt een relatief hoge ruimtelijke resolutie van maximaal 0,5 mm 3 met moderne high velden scanners en geoptimaliseerde parameters 4. In tegenstelling, de temporele resolutie van fMRI beperkt tot de langzame kinetiek van de BOLD respons, die slechts indirect weerspiegelt de hoge temporele dynamica van neurale activiteit 5,6.

Anderzijds, EEG meet veranderingen in elektrische activiteit veroorzaakt door de activiteit van neuronen via elektroden op de hoofdhuid. Recente ontwikkelingen in het EEG-technologie zorgen voor een snelle en gemakkelijke toepassing van de sensoren voor korte termijn of lange termijn en stationaire als ambulante opnames. Omdat EEG is minder beperkend, het is ook de methode van keuze voor bepaalde deelnemer bevolkingsgroepen die niet de MRI-omgeving en zoals tolereren pediatrische en bepaaldegeriatrische en psychiatrische populaties. De eigenschappen van EEG tonen een omgekeerd patroon aan die van MRI: de temporele resolutie is zeer hoog op de milliseconde nauwkeurig, maar de ruimtelijke resolutie is beperkt. Elektrische stromen doorheen verschillende weefsels tussen de generator en de EEG-elektroden op het oppervlak van de hoofdhuid. Dit leidt tot mengen en ruimtelijke versmering van bronactiviteit bekend als het volume geleiding effect. Daarom activiteit gemeten door de elektroden op het oppervlak van de hoofdhuid weerspiegelt activiteit uit meerdere bronnen die afstand de positie van de elektrode op het hoofd 1,7 kunnen zijn.

Veel werk in de afgelopen jaren is gewijd aan de samenvoeging van MRI en EEG in om te profiteren van hun respectieve sterke punten. Een lijn van het werk is gewijd aan de gelijktijdige aankoop van EEG en MRI in functionele studies. Een andere benadering is om de ruimtelijke informatie die door structurele MRI te gebruiken om rekening te houden met het volume conduction effect door biofysische modellering. Het gebruik van structurele informatie voor bron reconstructie van EEG-registraties is vooral nuttig voor studies met een pediatrische populatie. Het onderzoek van de ontwikkeling van de hersenfunctie centraal te begrijpen hoe complexe cognitieve vaardigheden worden gebouwd op eenvoudige precursoren 8.

Deze onderzoeken bijdragen tot veranderingen in de neurale substraten en responseigenschappen die correleren met veranderingen in gedrag prestatie te onderstrepen. Uit het onderzoek van de hersenfunctie en cognitie tijdens de ontwikkeling vormt ook specifieke uitdagingen. In het bijzonder wordt de mogelijkheid voor functionele MRI studies beperkt jonge kinderen en zuigelingen ofwel slapen of gesedeerd MRI gegevens te verkrijgen zonder bewegingsartefacten en negatieve gevolgen deelnemer welzijn te zijn. Verder EEG wordt gezien als minder risicovol en invasieve door de ouders, die de werving van deelnemers aan het onderzoek makkelijker maakt. Therefore, EEG is de methode van keuze voor vele onderzoeken van de hersenfunctie bij jonge kinderen. Methodologische ontwikkelingen in het EEG systemen maken het mogelijk de toepassing van hoge dichtheid elektrode arrays met 128 of meer kanalen binnen enkele minuten. Gemak van toepassing en draagcomfort zijn voldoende om zelfs EEG-registratie mogelijk te maken in de jongste kleuters. Echter, vaak onderzoekers zijn niet alleen geïnteresseerd in de temporele dynamiek van de reacties op bepaalde prikkels, maar wil ook de neurale substraten die de reacties bemiddelen vergelijken.

Een gangbare aanname in kanaal level ERP-analyse vergelijken van verschillende leeftijdsgroepen is dat dezelfde neurale substraten te reageren, maar dat de timing of de reactie amplitude varieert in leeftijd 9. Soortgelijke hoofdhuid topografie wordt vaak gebruikt als een indicator van onderliggend neurale activiteit. Echter, veel andere bron configuraties leiden tot soortgelijke hoofdhuid topografieën 10. Door het toepassen van bron schatting, dit Uncertainty kan worden verminderd en gekwantificeerd. De onafhankelijkheid van de waarnemingen is van cruciaal belang voor het netwerk accounts van hersenfuncties: als de bronnen worden gemengd, correlaties zal de nadruk echter op hogere lokale connectiviteit. Bron reconstructie kan op deze bias 11 verminderen. Als alternatief kunnen de verschillen in timing en fase worden gebruikt voor connectiviteit analyse, maar deze wiskundige modellen vereisen aannames die moeilijk te evalueren in niet gesimuleerde data 12 zijn. Samengevat, bron schatting geeft aanvullende informatie aan kanaal niveau EEG en ERP-analyse op basis van kennis over anatomie en biofysische eigenschappen van het weefsel.

Verschillende algoritmen ontwikkeld om oplossingen aan de inverse probleem. Deze algoritmen kunnen ruwweg in twee categorieën: parametrische en niet parametrische 13. Parametrische modellen veronderstellen een of meerdere dipolen die kunnen variëren in locatie, oriëntatie en kracht. In tegenstelling, niet parametrische modellen containersna groot aantal dipolen met vaste locatie en oriëntatie. In deze modellen wordt de hoofdhuid elektrische activiteit uitgelegd als een combinatie van activaties in de vaste dipolen 10,13,14. Niet parametrische kan gedistribueerd bron modellen zijn gebaseerd op kennis van de anatomie en de geleidbaarheid in verschillende media. Boundary Element Modellen zijn voorzien van geleidbaarheid waarden voor de belangrijkste weefsels van het hoofd met verschillende schelpen voor de hersenen, cerebro spinale vloeistof, en de schedel. Dit is gebaseerd op de veronderstelling dat geleidbaarheid zo constant in elk compartiment, maar duidelijke veranderingen optreden op de grens van verschillende compartimenten. Eindige elementen modellen zijn gebaseerd op verdere segmentering van MRI-scans in grijze en witte stof, zodat de geleidbaarheid waarden kunnen worden toegewezen aan elke voxel 15.

Concreet niet parametrische modellen zijn bijzonder nuttig voor bron wederopbouw in complexe cognitieve taken, waarbij het aantal gebieden geïmpliceerdniet bekend 10. Randelementenmethode modellen worden het meest gebruikt in de huidige literatuur, waarschijnlijk omdat het nauwkeuriger Eindige Elementen Modellen poseren vergelijkbaar hoog computationele eisen. Verder is er aanzienlijke interindividuele variabiliteit in grijze en witte stof, zodat fems moet gebaseerd zijn op individuele MRI-scans.

Niet-parametrische modellen vereisen een tweede stap voor het afstemmen van de hoofdhuid gemeten activiteit om de voorspellingen van de voorwaartse model. Nogmaals, hebben verschillende benaderingen met verschillende voor-en nadelen besproken in de literatuur (zie Michel et al.. 2004 voor een overzicht). De meest gebruikte algoritmes zijn gebaseerd op minimale norm schatting (MNE), waarbij de hoofdhuid gemeten activiteit overeenkomt met een stroomverdeling in de voorwaartse model met de laagste totale intensiteit 16. MNE is vooral gericht op zwakke en oppervlakkige bronnen. Diepte gewogen MNE algoritmen proberen om het oppervlak vertekening verminderen door de invoering van wegingmatrices gebaseerd op wiskundige aannames 10. De veel gebruikte LORETA benadering is ook gebaseerd op de gewogen MNE, maar bovendien minimaliseert de Laplace van bronnen, wat leidt tot soepeler oplossingen 17,18. LORETA is gevonden om het beste voor enkele bronnen uit te voeren in de simulatie studies 19,20. Echter, LORETA leiden tot meer dan afvlakking van oplossingen. Diepte gewogen MNE voorkeur wanneer de bron onbekend of meerdere bronnen waarschijnlijk aanwezig 13, 16 te zijn. Vergelijking van de resultaten van verschillende algoritmen om de invloed van verschillende modelveronderstellingen evalueren aanbevolen.

Samengevat, is de bron reconstructie door modelleringsmethoden beperkt voor kinderen tot voor kort. Dit komt omdat de meeste EEG analyse software is gebaseerd op het hoofd modellen gebaseerd op anatomie dat de nauwkeurigheid van source-oplossingen bij kinderen 2,8 aanzienlijk beperkt. De goedkope toegang tot de rekenkracht en de verstrekking vanuser software voor bron reconstructie maken het mogelijk om deze beperkingen te overwinnen. Het toepassen bron schatting aan de EEG biedt twee belangrijke voordelen ten opzichte van analyse op basis van kanaal niveau waarnemingen alleen: verbeterde ruimtelijke resolutie en de onafhankelijkheid van observaties.

Bron schatting niet informatief in sommige gevallen: goede dekking van het hoofd vereist om bronnen te onderscheiden. Hoge dichtheid systemen met 128 of meer elektroden worden aanbevolen 10,15; een sparser dekking zal fungeren als een ruimtelijk filter leidt tot meer wijd verspreid bron activering of vals negatieve resultaten 10. Bovendien bron reconstructie op basis van de in dit artikel beschreven methode is alleen gerapporteerd voor corticale generatoren. Daarom is het minder geschikt voor het testen van hypothesen subcorticale substraten of subcorticale corticale interacties. Ten slotte moet de bron analyse worden gebaseerd op gedetailleerde voorafgaande hypothesen over de corticale substraten,het nemen van de bestaande literatuur uit andere beeldvormende modaliteiten in aanmerking. Ruimtelijke filtering technieken kunnen ook worden gebruikt om de ruimtelijke resolutie van het EEG-signaal verbeteren door ruimtelijke menging op de hoofdhuid niveau. Alternatieve methoden om de invloed van het volume geleiding effecten zonder kop modelleren verminderen worden gebruikt, bijvoorbeeld, Laplace filtering 21 of stroombron Density analyse 22. Echter, deze methoden niet meer informatie over neurale generatoren als volume-geleiding effecten zijn niet alleen beperkt tot de sensoren in nauwe ruimtelijke nabijheid 1.

In de volgende paragrafen, het artikel wordt beschreven hoe experimenten voor het onderzoek van de hersenen en de cognitieve functie bij kinderen van 2 jaar of ouder zijn ontworpen aan de London baby Lab. Vervolgens wordt EEG data-acquisitie met een hoge dichtheid lage impedantie systemen met kinderen besproken. Vervolgens wordt EEG voorbewerking en analyse op het kanaal niveau gepresenteerd. Lastly, het artikel richt zich op de verwerking van de structurele MRI data voor corticale bron reconstructie en analyse van de bron niveau signalen.

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. Ontwerpen EEG en evenementen gerelateerd potentieel experimenten voor kinderen

Opmerking: Een eenvoudig experiment werd ontworpen voor de toepassing van dit artikel dat kan worden gebruikt om het gezicht verwerking in jonge kinderen te onderzoeken. De volgende sectie zal het experiment beschrijven en verklaren hoe de uitvoering ervan met behulp van MATLAB R2012b en Psychtoolbox V3.0.11 23,24. Foto's genomen van de NimStim set van emotionele gelaatsuitdrukkingen 25 werden gebruikt voor dit voorbeeld. Deze stimulus set is beschikbaar voor onderzoeksdoeleinden op aanvraag ( http://www.macbrain.org/resources.htm ).

  1. Breng de RGB-foto's om grijstinten verschillen tussen stimuli te verminderen. Zie tabel 1. Opmerking: Deze opdrachten vereisen de Beeldverwerking Toolbox ( http://www.mathworks.co.uk/products/image/ ). Gratis alternatieven kunnen worden gevonden through de Exchange File ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Gebruik experimentele control software voor de uitvoering van het experiment met precieze timing voor de stimulus presentatie triggers met behulp van een reeks opdrachten (zie tabel 1 voor een voorbeeld).

2. Data Acquisition

  1. Zorg ervoor dat het kind comfortabel met de testomgeving. Laat jongere kinderen om te zitten op de schoot van hun verzorger of in de stoel een comfortabele kind. Laat het kind zien en voelen de sensor net voordat u het op het hoofd van het kind. Als er een extra netto, hebben de ouders ook proberen een op en plaats een op een pop of gevulde teddy.
  2. Meet de maximale hoofdomtrek om de juiste netto formaat voor het kind te kiezen. Gebruik een meetlint en houd deze ingedrukt om de nasion. Meet vervolgens rond het hoofd om de maximale omtrek (~ 1cm boven de INION). Let op: een register bijhouden van de gemeten hoofdomtrek en de sensor net gebruikt voor latere analyse 26. Het helpt als de ouders hoofd ook wordt gemeten om kinderen meer vertrouwd met de situatie te maken.
  3. Identificeer de top van het hoofd op de kruising van de midden afstand tussen nasion en INION en links en rechts periauricular punt. Markeer dit punt met een porseleinen pen om ervoor te zorgen dat de vertex kanaal juist is gepositioneerd bij de toepassing van het net.
  4. Breng de sensor net en zorg ervoor dat de belangrijkste kanalen zijn afgestemd op de anatomische oriëntatiepunten (nasion, INION, vertex en links / rechts mastoids). Opmerking: Voor de meest nauwkeurige resultaten, kan de positie van de kanalen op de kop digitaal worden verkregen met behulp van speciale apparatuur digitalisering. Onderzoekers willen de sensor positie te verwerven moet verwijzen naar de juiste hardware en software handleidingen. Als alternatief elektrode kaarten die standaard plaatsing van de elektroden veronderstellen langs anatomische landmarks worden gebruikt. Deze kaarten kunnen worden vervormd passende hoofdmodellen verouderen zoals beschreven in de sectie analyse.
  5. Erop toe dat rookkanalen hebben goed contact met de hoofdhuid door het plaatsen van de sensoren individueel; buigt elke sensor van links naar rechts om haar te verplaatsen uit de weg.
  6. Meten kanaal winsten en kanaal impedanties. Klik op "Start" om de opname te starten in NetStation EEG-registratie software en begin gain en impedantie meting. Als de meting niet automatisch start, gebruik dan de "kalibreren Amplifier" en de "Maatregel Net impedanties" knop.
  7. Controleer de opnamesoftware voor kanalen met een impedantie die hoger dan 50 kOhm die rood zal verschijnen. Solliciteer extra elektrolyt oplossing met een pipet om kanaal impedanties verlagen. Controleer de EEG-display voor de kanalen die hoge frequentie activiteit vertonen, ondanks lage impedantie of merkbaar minder activiteit dan omringende kanalen (vlakke lijn kanalen). Deze kanalen kunnen have los contact met de hoofdhuid en vereisen aanpassing.
  8. Om kinderen comfortabel te houden tijdens de EEG voorbereiding, laat het kind om naar muziek te luisteren, kijken een leeftijd passende cartoon of afleiden ze met behulp van een andere onderzoeker, bijvoorbeeld, blazen zeepbellen voor peuters.

3. Analyse

  1. Preprocessing
    1. De gegevens met een high-pass filter digitaal filter met een cut off bij 0,1 Hz te verwijderen kanaal drifts 27 (tabel 1).
    2. Voor ERP analyse, breng dan een low pass filter met een cut off bij 30 Hz 27 (tabel 1).
    3. Tijdvak de continue data volgens de trigger code ingesteld tijdens opname. Voor de meeste experimenten gebruikt een basislijn van 200 msec voor aanvang en na een stimulus interval van 600 msec stimulus om het tijdsinterval plaats (tabel 1) omvat.
    4. Verwijder tijdperken die beweging of knipperen artefacten bevatten: mark channels met een piek tot piek amplitude van meer dan 150 mV - passen deze drempel afhankelijk van de deelnemersgroep en de kwaliteit van de gegevens. Voor de consistentie, maken gebruik van dezelfde drempel voor alle deelnemers in een studie. Als een kanaal is boven deze drempel in meer dan 30% van de tijdperken, verwijder het kanaal (kanaal activiteit kan worden geïnterpoleerd op grond van de omliggende kanalen, indien deze bevatten aanvaardbare gegevens). Als meer dan 20% van de kanalen worden gemarkeerd als slecht in een tijdperk, verwijder het tijdperk. Indien meer dan 20% van kanalen door het algoritme wordt afgewezen of minder dan 50% van de tijdperken behouden, overweeg verwijderen van de dataset van verdere analyse (Tabel 1).
      Opmerking: Het percentage drempels voor tijdperk en kanaal afstoting margecijfers dat een voldoende hoeveelheid ruis te verwijderen in onze ervaring. De hoeveelheid artefact in de opname is waarschijnlijk anders worden met behulp van andere deelnemende groepen, experimentele paradigma of EEG-systemen. De onderzoekers kunnen willen het percentage aan te passendrempels en controleer of ze tevreden zijn met het artefact afwijzing. Als alternatief kunnen onderzoekers proeven die artefact bevatten door visuele inspectie weigeren.
    5. Re verwijzing naar gemiddelde referentieprijs door het aftrekken van de gemiddelde activiteit over kanalen van elk kanaal (tabel 1). Opmerking: De top elektrode wordt typisch gebruikt als de opname referentie NetStation.
  2. Artifact Correctie Met behulp van Independent Component Analysis
    1. De gegevens te importeren in de SNELLER gereedschapskist 28 en voer de automatische artefact afwijzing algoritme op de data (Tabel 1).
    2. Gebruik de Graphical User Interface (GUI) voor SNELLER; om de GUI, soort FASTER_GUI open in de opdrachtregel.
    3. Deselecteer de filteropties in de filter menu als de gegevens al gefilterd voordat het epoching.
    4. Geef het aantal kanalen: 126 EEG-kanalen met 2 electrooculagram (EOG) kanalen.
    5. Voer hetmerkers voor epoching de gegevens als strings in een celmatrix. Voor het voorgelegde geval invoeren: {'gezicht', 'scra'} voor het gezicht en roerei gezicht voorwaarden.
    6. Selecteer de kanalen voor de onafhankelijke component analysis (ICA). Selecteert meestal de gehele opname kanalen, incl.. externe niet EEG-kanalen.
    7. Geef de input en output map in het rechterpaneel van de GUI.
    8. Kies het juiste kanaal bestand voor de opnames. Noot: Kanaal-bestanden voor de meeste EEG-systeem kan zowel worden gedownload van de fabrikant of kan worden gedownload van de EEGLAB website.
    9. Klik op Uitvoeren om een ​​snellere verwerking beginnen. Afhankelijk van de lengte van de opnames en het aantal bestanden, kan deze bewerking enkele uren duren.
    10. Visueel te inspecteren na de verwerking van de opnames, zelfstandig onderdeel kaarten en ERP.
  3. Channel Level Analyse van Event-Related Potentials gegevens
    1. Combineer verschillende kanalen om een ​​virtuele c vormenhannel met een betere signaal-ruisverhouding (tabel 1). NB: De selectie van kanalen moet gebaseerd zijn op eerdere rapporten in de literatuur of a priori hypothesen. Het selecteren van kanalen die de hoogste amplitude binnen een bepaald tijdvenster tonen wordt afgeraden 29.
    2. Verkrijgen maatregelen zoals piekamplitude, bedoel amplitude en piek latentie aan de golfvorm karakteriseren en statistische tests (tabel 1) uit te voeren.
  4. Maak Boundary Element Models (BEM)
    1. Segment de anatomische MRI-scan met FreeSurfer. Opmerking: Voor de meest nauwkeurige resultaten, baseren de grens element model op individuele MRI-scans voor elke deelnemer. Indien dit niet mogelijk is, zou de gemiddelde MRI templates die overeenkomen leeftijd van de deelnemers zo goed mogelijk worden gebruikt. Houd er rekening mee dat BEM niet kunnen worden gebruikt voor kinderen jonger dan 24 maanden. Randelementenmethode modellen gaan ervan uit dat elke schelp (hersenen, schedel, huid) bestaat uit een gesloten schelp. In yooral kinderen de fontanellen in de schedel zijn niet gesloten, die de gesloten schil veronderstelling schendt.
      1. Om FreeSurfer software te installeren, eerst downloaden via de website FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Next, het opzetten van de shell-omgeving omvatten FreeSurfer; . voor bashrc, zijn de volgende opdrachten in het bashrc bestand.:
        1. Export FREESURFER_HOME = / Applications / freesurfer /
        2. Bron $ FREESURFER_HOME / FreeSurferEnv.sh
          Opmerking: Deze commando's gaan ervan uit dat de map FreeSurfer is in de map Programma's op een Unix-systeem. Er zijn meer details over het instellen FreeSurfer met alternatieve shell omgevingen zoals csh / tcsh, of besturingssystemen op de FreeSurfer website ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Definieer het onderwerp richtingtory, namelijk de map die de productie zal worden geschreven aan met het volgende commando:
        1. export SUBJECTS_DIR = / ... / BEM /
          Opmerking: De resultaten kunnen worden geschreven in een map op het systeem.
      3. Wijzig vervolgens de werkmap naar de map met de MRI-bestand voor de Boundary Element Model met de volgende opdracht bevat:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Kinderen / Hersenen /
          Opmerking: Elke map op het systeem kan worden bepaald met behulp van de syntaxis van de opdracht cd. Dit is een voorbeeld van de primaire onderzoekers bestandsstructuur.
      4. Tot slot start u de reconstructie met behulp van de volgende opdrachten:
        1. recon-all-i <mri_file>-subjid <subject_id>
        2. recon-all-all-subjid <subject_id>
          Opmerking: <mri_file> moet worden vervangen door de bestandsnaam van de gewenste MRI scan in de huidige directory. <subject_id> kan repgeregen met een willekeurige naam. FreeSurfer creëert een map met deze naam in het onderwerp directory. Afhankelijk van het gebruikte systeem, kan de laatste commando enige tijd te lopen nodig.
    2. Controleer de FreeSurfer segmentatie voor onjuiste segmentatie, bijvoorbeeld. overlappende gebieden, anatomisch onwaarschijnlijk compartimenten etc. door het importeren van de segmenten in BrainStorm en gebruik het display gereedschap in de GUI:
      1. In BrainStorm, selecteert u het paneel 'anatomie. Importeer de gesegmenteerde MRI door met de rechtermuisknop te klikken op het onderwerp en "Importeren Anatomie Folder" te selecteren. Zorg ervoor dat de map met de FreeSurfer uitgang geselecteerd. Inspecteer de segmentatie visueel door rechts te klikken en te kiezen voor "Display". Opmerking: Als alternatief kan FreeSurfer opdrachten worden gebruikt. Een gedetailleerde beschrijving is te vinden op de website FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedREDEROPBOUW. Als regio van belang analyse op basis van anatomische verkaveling is gewenst, de FreeSurfer functies mris_ca_label , mri_annotation2label en mri_mergelabels kunnen worden gebruikt. Raadpleeg de FreeSurfer publicaties en online help pagina's voor meer gedetailleerde informatie.
  5. Schat de Bron activiteit in BrainStorm
    1. Begin BrainStorm door het intikken van "brainstorm" in het commando venster.
    2. Maak een nieuw protocol van Nieuw protocol te selecteren in het menu Bestand.
    3. Voeg een nieuwe Subject aan het protocol door het selecteren Nieuw onderwerp in het menu Bestand.
    4. Import EEG data voor de deelnemer door rechts te klikken op het onderwerp en selecteer "Import MEG / EEG".
    5. Importeer een kanaal bestand door met de rechtermuisknop te klikken en te kiezen voor "Import kanaal bestand". Opmerking: Het kanaal bestand moet worden afgestemd op de MRI voor bron wederopbouw. BrainStorm gebruikt een systeem van 4 anatomische referentiepunten die de gebruiker moet markeren de MRI. Raadpleeg de BrainStorm tutorials voor meer informatie ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). De standaardpositie zoals gedefinieerd door een kanaal bestand voor een bepaalde EEG systeem of, idealiter, het hoofd posities die gedigitaliseerd vóór de EEG-registratie worden gebruikt.
    6. Controleer of de BEM en de kanalen af ​​te stemmen zoals verwacht: Klik met de rechtermuisknop op het kanaal bestand voor het onderwerp en ga naar "MRI registratie" en "; Check ". Opmerking: Als de bollen in het model elkaar overlappen of als de kanalen zijn binnen de BEM, zal de bron reconstructie leiden tot onjuiste resultaten. Pas de uitlijning met de optie "Edit" in het menu "MRI segmentatie".
    7. Bereken het lawaai covariantiematrix van de basislijn van elk tijdperk door rechts te klikken op de deelnemer en het kiezen van "Noise Covariantie Matrix" en "Berekenen van opname". Opmerking: De auteurs van het Brainstorm toolbox raden het gebruik van een diagonale geluid covariantiematrix voor korte opnames (~ minder tijdstippen dan kanalen) en een volledige een voor langere opnames. Raadpleeg de BrainStorm Bron Schatting tutorial voor meer informatie: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Bereken de Bron Model door rechts te klikken op het onderwerp en te kiezen voor "Compute source model ".
    9. Bereken de inverse oplossing met behulp van diepte-gewogen Minimum Norm Schatting door rechts te klikken op het onderwerp en "Compute Source" en "Minimale norm schatting" te selecteren. Opmerking: Andere opties (dSPM, sLORETA) zijn beschikbaar. Elke optie heeft verschillende voordelen en nadelen. Het algoritme moet worden geselecteerd op basis van a priori overwegingen en eerdere rapporten in de literatuur. Verder zijn sommige algoritmen zijn beter in het oplossen van focale activering in bepaalde gebieden, terwijl andere zijn meer geschikt voor wijdverbreide activering. MNE werd gebruikt voor deze studie op basis van eerdere rapporten in de literatuur 16. Voor consistentie moet hetzelfde algoritme voor inverse oplossing worden gebruikt voor alle deelnemers in een studie. Onderzoekers kunnen ook wilt vergelijken hoe robuust bevindingen zijn aan de toepassing van verschillende inverse oplossing algoritmen.
    10. Herhaal hoofdstuk 3 voor alle deelnemers aan het onderzoek. Opmerking: Of gebruik de grasche batch-interface of de scripts om processtappen te herhalen voor deelnemers. Zie de BrainStorm voor instructies ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Gemiddeld bron activiteit over trials per deelnemers door de opnames aan het proces van Menu en het selecteren van "Gemiddeld" en "Door conditie (onder gemiddeld)".
    12. Het contrast van de conditie door het selecteren van de "Processen 2" en slepen elke voorwaarde in een venster. Selecteer dan "Test" en "Student's t-test" of "Student's t-test (gepaard)" afhankelijk van de uitvoering. Om meerdere vergelijkingen, set amplitude en omgeving drempels presteren in de weergave van de resulterende statistische kaart in het menu "Stat". Let op: U kunt de activering kaarten worden geëxporteerd naar SPM ( http://www.fil.ion.ucl.ac.uk / spm /) voor meer diepgaande statistische analyse ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Bereken de event-related respons voor een regio van belang. Voor verkaveling gebaseerde ROI, laadt de FreeSurfer verkaveling door rechts te klikken op de cortex oppervlak in de anatomie menu en selecteer "labels importeren". Navigeer het desbetreffende bestand en laad het. Kies nu een ROI in de "Scout" ruit van de functionele gegevens menu.
    14. Het verkrijgen van de ROI evenement gerelateerde activiteiten door bestanden te slepen naar het proces van 1 venster en kies "Extract Scout Time Series" in het menu Sources. Opmerking: Verschillende ROI kunnen gelijktijdig worden geselecteerd en de ROI tijdreeksen kan voor verdere plotten en analyse worden uitgevoerd door met de rechtermuisknop te klikken op de scout tijdreeks gegevens en te kiezen voor "Exporteren naar 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

Ontwerpen ERP experimenten voor zuigelingen en kinderen is vaak lastig, vanwege hun beperkte capaciteit om lange herhaalde experimenten 30 tolereren. Dit probleem wordt verder verergerd wanneer de experimentator voornemens bron reconstructie toegepast, omdat nauwkeurige bron reconstructie een hoog signaal vereist ruisverhouding 1. Figuur 1 toont een experimenteel protocol voor het onderzoeken van het gezicht verwerkingsprocessen die gebruikt kunnen worden met zeer jonge kinderen. Het paradigma is aangepast om a) te minimaliseren ogen knippert en oogbewegingen tijdens stimulus presentatie, omdat kinderen minder goed in staat om oogbewegingen te controleren dan volwassen vrijwilligers b) maken het experiment aantrekkelijker door de toevoeging van aandachttrekkers na de inter stimulus interval zal zijn. Knipperende ogen en oogbewegingen worden gecontroleerd door de presentatie van een fixatie kruis kort voor de prikkel om de aandacht te vestigen op het midden van het scherm. Verder, de stimulusduuris ingesteld op 500 msec, die bewuste waarneming van de prikkel maakt terwijl het minimaliseren van de tijd voor het scannen van de afbeelding met oogbewegingen. De aandachtstrekker bestaat uit een kindvriendelijke imago gepresenteerd met een simultane geluid. Een willekeurige selectie van verschillende aandachtstrekker stimuli kunnen worden gebruikt om de taak interessant voor het kind te houden. De volgende proef kan worden gestart door de experimentator, wanneer duidelijk is uit het systeem van toezicht dat het kind is te kijken naar het midden van het scherm weer. Daarnaast kan verhalen worden gebruikt om te helpen de oudere kinderen naar het scherm. Het is vaak handig om taken te oefenen met kinderen vóór de EEG-registratie om ervoor te zorgen dat het kind begrijpt de taak. Screening vragen of scores verkregen in de oefening kan worden gebruikt als covariaten in latere analyses.

Bij de berekening van het aantal herhalingen nodig voor het experiment, is het belangrijk rekening te houden dat vele studies, kunnen verloren gaan door onoplettendheid or beweging artefact bij het werken met kinderen. Als vuistregel geldt, moeten de nodige aantal herhalingen dan bij volwassen studies worden verdubbeld of werven een groter aantal deelnemers. De aandachtsspanne en de samenwerking is beperkt bij kinderen dan bij volwassenen. Houd daarom de specifieke behoeften van kinderen in het achterhoofd bij het ontwerpen van de taak. Een lange taak kan worden opgesplitst in verschillende blokken van kortere taken met pauzes ertussen. Typisch, het aantal condities die kunnen worden opgenomen in het experiment is kleiner voor zeer jonge kinderen, omdat zij niet in staat om samen te werken langer nodig om voldoende proeven voor vele stimulusvoorwaarden verkrijgen.

De gepresenteerde cijfers zijn gebaseerd op een opname met een 6-jarige jongen (6 jaar 3 maanden). Het hoofd model is gebaseerd op een gemiddelde MRI template van 6-jarigen 31. Figuur 5 toont kanaal niveau evenement gerelateerde potentiële reacties (ERP) aan op gezicht en vervormde gezicht stimuli. Het waveform van de ERP dan achterste kanalen toont het verwachte patroon van een positieve uitslag gevolgd door een negatieve uitslag en een daaropvolgende brede positieve uitslag. Op basis van de topografie, tijdsverloop en de aard van het paradigma, deze verleggingen zijn waarschijnlijk de P100, N1 en laat positieve mogelijkheden component vertegenwoordigen. Verder is de vroege negatieve uitslag is aanzienlijk groter voor gezicht stimuli in vergelijking met roerei gezichten. Daarom wil de gezicht specifieke N170 nent. De topografische kaarten in figuur 5 tonen de spanning verdeling tussen de 250 en 300 msec. Negatieve spanning met een maximum RV occipito-temporele kanalen in de gezichten conditie is evident.

Figuur 6 toont de statistische vergelijking van de bron activiteit geprojecteerd op basis van een standaard volwassen hoofd model en een leeftijd passende hoofd model. Bron reconstructie was gebaseerd op een grens elementen model (BEM) met diepte gewogenminimumnorm schatting (wMNE) en vol ruis covariantiematrix in Brainstorm v. 3.1 32. De standaard MNI Colin27 BEM werd gebruikt als naaktmodel. Bron activiteit werd gemiddeld over de tijd tussen de 250 en 300 msec in lijn met gezicht specifieke antwoorden op het kanaal niveau.

De kaart toont de resultaten van een Student t-test vergelijking tussen de gezichten en roerei gezichten voorwaarde gecorrigeerd voor meerdere vergelijkingen met behulp van valse ontdekking tarief (FDR). De resultaten tonen duidelijk sterkere bron activering over de temporale kwab in de gezichten in vergelijking met de gecodeerde gezichten conditie. De lokalisatie met de leeftijd passende model is meer centraal met sterke verschillen op het ventrale oppervlak van de temporale cortex. Lokalisatie gebaseerd op de volwassen hoofd model is meer disperse en toont bron activiteit verschillen op de rechter mediale en superieure temporale gyrus dat is meestal afwezig op de kaart op basis van de leeftijd passende hoofd model.

Figuur 1

Figuur 1. Voorbeeld van een gezicht perceptie experimenteren geschikt over een brede leeftijdsgroep Het experiment bestaat uit visuele presentatie van beelden van gezichten of roerei gezichten. De stimuli zijn fysiek identiek, maar de ruimtelijke ordening wordt gerandomiseerd in de gecodeerde toestand. Elk proces begint met de centrale presentatie van een fixatie kruis om oogbewegingen te minimaliseren tijdens stimulus presentatie. De duur van de fixatie kruis presentatie is gerandomiseerd naar invloeden van meesleuren over meerdere herhalingen te voorkomen. De stimulus wordt gepresenteerd over een looptijd van 500 msec. De korte duur ook het minimaliseren van de kans van oogbewegingen tijdens de presentatie venster. Een opvallende stimulus wordt gepresenteerd na een inter proces interval met willekeurige duur tussen 1 sec en 2 sec. De onderTention grabber is vooral handig voor zeer jonge deelnemers die geen kans om deel te nemen aan vele beproevingen van niet boeiend materiaal in de juiste volgorde. Het experiment kan de volgende proef te starten, wanneer de deelnemer kijkt op het beeldscherm in reactie op de aandachtstrekker.

Figuur 2
Figuur 2. Stroomdiagram voor de drempel afwijzing algoritme. Het algoritme vergelijkt het maximum van elke EEG kanaal in ieder tijdperk een ingestelde drempelwaarde. Wanneer een kanaal bevat maximale activiteit boven de drempel, wordt het kanaal gemarkeerd als slecht. Indien meer dan 20% van de kanalen zijn slecht in een bepaald tijdvak, wordt het tijdperk verworpen. Na verwerping tijdperk, is de maximale activiteit in elk kanaal dan weer de drempel. Wanneer een kanaal bevat activiteit boven de drempel in meer dan 30% van alle tijdperken, wordt het kanaal afgewezen. Als meer dan 20% van de kanalen door deze procedure worden afgekeurd of minder dan 50% van de tijdperken per conditie wordt achtergelaten nadat tijdperk afwijzing, moet de dataset van verdere analyse worden uitgesloten. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 3
Figuur 3. Automatische artefact correctie met behulp van de SNELLER toolbox 28. De figuur toont opties die moeten worden veranderd om de SNELLER toolbox gebruiken met de setup en de verwerking pijplijn in dit artikel worden beschreven:.. 1 Filtering moet worden uitgeschakeld, omdat de dataset is al gefilterd 2 Het aantal kanalen moet worden aangepast. Het EEG-systeem wordt gebruikt in dit artikel heeft 126 kanalen met2 EOG kanalen. 3. Event-markers voor tijd vergrendelen moeten worden opgegeven als een cel array van strings. 4. Het venster voor de event-related respons moet worden geleverd. Dit is identiek aan het venster die in de vorige stap epoching zijn. 5. De gebruiker moet kanalen voor de onafhankelijke component analysis (ICA) te definiëren. In de meeste gevallen, zou dit allemaal EEG kanalen en relevante externe kanalen zoals het oog kanalen (EOG) omvatten. 6. De indices van het oog kanalen moeten ook worden aangepast aan het EEG gebruikte. Voor beschreef de EEG-systeem, zou deze kanalen 125 en 128 zijn. klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 4
Figuur 4. Bron analyse in Brainstorm 32. 1. Na het importeren van de EEG-dataset en FreeSurfer oppervlakken, de Boundary Element Model (BEM) kan worden berekend door "Compute head model" te selecteren in het menu "Source". 2. Het lawaai covariantiematrix kan worden berekend uit de opnames door "Compute ruis covariantie". Als de opname lang genoeg, namelijk meer tijdstippen dan sensoren volledige covariantiematrix kan worden berekend, anders een diagonaalmatrix wordt aanbevolen. 3. Na het berekenen van de hoofdmodel en lawaai covariantiematrix, is het mogelijk om de inverse oplossing te verkrijgen. Verschillende algoritmen worden gebruikt. De diepte gewogen Minimum Norm Schatten (wMNE) algoritme werd gebruikt voor dit artikel. 4. Het tijdsverloop van de bron activiteit in de regio van belang (ROI) kan worden gewonnen, door het selecteren van "Extract Scout Time Series" f rom het menu "Source". ROI van automatische corticale verkaveling in FreeSurfer werden gebruikt voor dit voorbeeld. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 5
Figuur 5. Event related potentials respons (ERP) aan op gezicht en vervormde gezicht stimuli voor RV occipito tijdelijke kanalen. Het ERP geeft een meer negatieve uitslag tussen 130 en 220 msec na stimulusaanvang aan de rechterkant voor gezichten in vergelijking met roerei gezichten. Deze eigenschappen zijn in lijn met eerdere berichten over de component N170 33. Klik hier om een grotere versie van deze afbeelding te bekijken.

ove_content "fo: keep-together.within-page =" altijd "> Figuur 6
Figuur 6. Vergelijking van bronlokalisatie tussen een standaard volwassen hoofd model en een geschikte head model. De bovenste rij van de figuur toont de MNI volwassen grens hoofd model colin27 aan de linkerkant en een leeftijd passende head model gebaseerd op een FreeSurfer verkaveling van een gemiddelde MRI sjabloon voor 6 jarige kinderen aan de rechterkant. De locaties van coregistered elektrodelocaties worden ook gepresenteerd. De opname werd verkregen uit een 6-jarige jongen (6 jaar 3 maanden). De tweede en derde rij tonen de resultaten van een statistische vergelijking tussen de activering kaarten van MNO bron wederopbouw in de gezichten in vergelijking met de gecodeerde gezichten toestand op basis van een t-test gecorrigeerd voor meerdere vergelijkingen door False Discovery Rate (FDR). De kleur kaart illustreert het effect grootte met rode aangeeft hogere activiteitin de gezichten staat en blauw weer hogere activiteit in de gecodeerde gezichten conditie. Houdt u er rekening mee dat er geen amplitude of drempels werden toegepast. De lokalisatie lijkt meer centraal op het ventrale oppervlak van de temporale pool met de leeftijd passende hoofd model in vergelijking met de volwassen BEM. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 7
Figuur 7. Source ERP van de juiste spoelvormige gyrus in reactie op gezichten en scrambled gezichten op basis van bron reconstructie van een opname verkregen uit een 6-jarige jongen (6 jaar 3 maanden) met een leeftijd passende BEM met MNE De bron ERP tonen een meer negatieve uitslag ongeveer 250 msec na stimulusaanvang in de gezichten conditie vergeleken met de scrambled gezichten conditie. Deze activiteit is waarschijnlijk de bijdrage van het recht spoelvormige gyrus aan de N170 component in de gezichten toestand weerspiegelen.

<td>
Ingang voor stap 1.1 Beschrijving
input_image = imread ('/ Users / some_user / images / example.jpeg'); % Het lezen van het beeld
gray_image = rgb2gray (input_image); % Overbrengen van RGB naar grijstinten
saveas (gray_image, 'grey_image.tiff') % Nieuw beeld opslaan
Ingang voor stap 1.2 Beschrijving
Code Voorbeeld:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Housekeeping
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc % Clearing variabelen uit werkruimte
alle te wissen
sluit alle % Instellen van audio drivers te lage latency modus
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Variabelen
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings Users ERP Lab Mijn documenten MATLAB Faces_Houses '; % Definiëren van de werkmap
netstation = 1;
% Dit schakelt de communicatie met NetStation EEG-registratie software
% Definiëren van het aantal proeven
no_of_trials = 80; % Verenigen toetsenbord namen voor eenvoudige draagbaarheid tussEEN Unix en PC versies
KbName (UnifyKeyNames) % Definiëren van een variabele voor een ontsnapping toetsaanslagen
escapeKey = KbName ('ESCAPE');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Loading stimuli
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ('C: Documents and Settings Users ERP Lab Mijn documenten MATLAB Faces_Houses Faces '); % Leveren van de map met foto's stimuli
files = dir (face_directory); % Het genereren van een lijst met alle foto stimuli
gezichten = {files.name};
gezichten (01:02) = [];
grabbers = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / grabbers /'); </ Td>
grabbers = {grabbers.name};
grijpers (01:02) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / geluiden /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (01:02) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Vanaf het experiment
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
indien netstation == 1; NetStation ('Connect', '194 .82.245.131 ', '55513') % Synchronisatie met de opnamesoftware
NetStation ('Synchroniseren', 10) % Synchronisatie binnen 10 msec nauwkeurigheid
NetStation (StartRecording) % Begint de opname
einde
% Opstellen van het scherm
SchermNum = 0; % Identificatienummer van presentatiescherm
% Definiëren van een venster voor de stimulus presentatie
[Display.w, display.rect] = Screen ('OpenWindow', SchermNum, 0);
[WPtr, rect] = Screen ('OpenWindow', SchermNum); % Verbergen van de muiscursor
HideCursor;
zwart = BlackIndex (wPtr); % Instellen van de achtergrond naar zwart
Scherm ('fillRect', wPtr, zwart); % Definiëren van lettertype en-grootte voor tekstweergave
Scherm ('TekstLettertype', display.w, 'Arial');
Scherm ('Tekstgrootte', display.w, 32);
Scherm ('tekstletter', display.w, 0);
voor i = 1: no_of_trials
FlushEvents
randomizer = Randi (2);
% Willekeurig selecteren van een aandachtstrekker foto
attention_grabber = imread (strcat (input_folder, 'grabbers /', cell2mat (grijpers (Randi (lengte (grabbers))))));
[Geluiden, fs, nbits] = wavread (strcat (input_folder, 'klinkt /', cell2mat (grabber_sounds (Randi (lengte (grabbers))))));
audio_handle = PsychPortAudio ('Open', [], [], 0, fs, lengte (geluiden (1, :)));
klinkt = geluiden '; % Willekeurig selecteren van een aandachtstrekker geluid
PsychPortAudio ('FillBuffer', audio_handle, geluiden);
% Opzetten geluid presentatie
stimulus = strcat (face_directory, gezichten (Randi (lengte (gezichten))));
stimulus = imread (cell2mat (stimulus)); % Dit randomises de presentatie van gezichten en scrambled gezichten
indien randomizer == 2; % Laden van de stimulus die willekeurig werd gekozen uit de lijst van stimuli
stimulus = stimulus (randperm (lengte (stimulus (:, 1))), randperm (lengte (stimulus (1, :))));
einde % Klauteren de stimulus matrix, als de proef is een gecodeerde proef
stim = Screen ('MakeTexture', wPtr, dubbele (stimulus)); % Stimulus
% Voorbereiding van de stimulus voor de presentatie
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Trial
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Dit gedeelte is alleen relevant voor de eerste proef
als ik == 1;
[Nx, ny, doos] = DrawFormattedText (wPtr, 'Druk op een toets om te starten', 'centrum', 'centrum', [255 255 255]);
Scherm ('FrameRect', wPtr, 0, doos);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr); % Voor de eerste proef, de tekst "Druk op een toets om te starten" wordt gepresenteerd totdat een toets wordt ingedrukt
KbWait ([], 2);
[Nx, ny, doos] = DrawFormattedText (display.w, '', 'centrum', 'centrum', 255); % Leeg scherm
Scherm ('FrameRect', display.w, 0, doos); [VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
einde
% Fixatie Cross
[Nx, ny, Bbox] = DrawFormattedText (wPtr, '+', 'centrum', 'centrum', 255);
Scherm ('FrameRect', display.w, 0, Bbox);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr); % Voorbereiding van een witte plusteken in het midden van het scherm als de fixatie kruis
indien netstation == 1; % Presentatie van de fixatie kruis
NetStation ('Event', 'fix +', StimulusOnsetTim) einde
% Het versturen van een trekker met de tijdstempel van de fixatie kruis presentatie en de code "fix +" om de EEG-registratie software
% Beperken presentatie tijd van de fixatie kruis om een ​​willekeurige duur tussen 0,15 en 0,2 sec
% Stimulus % Presentatie van het gezicht of roerei gezicht stimulus
Scherm ('DrawTexture', wPtr, stim);
[VBLTimestamp StimulusOnsetTim] = Screen (wPtr, 'Flip');
indien netstation == 1; % Verzenden trekker met tijdstempel en code 'gezicht' of 'scra' face to EEG-registratie software
indien randomizer == 1;
NetStation ('Event', 'gezicht', StimulusOnsetTim)
elseif randomizer == 2;
NetStation ('Event', 'scra', StimulusOnsetTim)
einde
einde
WaitSecs (0.5) % Limit stimulusduur tot 500 msec
% Die een leeg scherm
[Nx, ny, doos] = DrawFormattedText (wPtr, '', 'centrum', 'centrum', 255); % Leeg scherm
Scherm ('FrameRect', wPtr, 0, doos);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
WaitSecs (1 + rand (1)) % Inter proef interval met een willekeurige duur tussen 1 en 2 sec
% Aandachtstrekker % Presenteren de aandachtstrekker met geluid
Scherm ('DrawTexture', wPtr, grabber);
klinkt = PsychPortAudio ('Start', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip',, WPtr);
indien netstation == 1;
NetStation ('Event', 'GrBr', StimulusOnsetTim) % Stuur de tijdstempel en de code voor de blikvanger aan de EEG-registratie software
einde
% Presenteren de aandachtstrekker en geluid tot een toets op het toetsenbord wordt ingedrukt
KbWait ([], 2);
PsychPortAudio ('Stop', audio_handle);
Scherm ('FrameRect', display.w, 0, doos); % Aborteren het experiment, als de Escape-toets is ingedrukt
[VBLTimestamp StimulusOnsetTim] = Screen ('Flip', wPtr);
[KeyIsDown, timeSecs, keyCode] = KbCheck; indien keyIsDown
indien keyCode (escapeKey)
sca
NetStation (stoprecording)
terugkeer
einde
einde % Sluit het experiment en stop de EEG-registratie aan het einde van de proef
einde
Scherm ('CloseAll');
indien netstation == 1;
NetStation (stoprecording)
einde
Ingang voor stap 3.1.1 Beschrijving
OUTEEG = pop_eegfilt (INEEG, 0.1, []); % OUTEEG = EEG data na verfijning, dwz. functie-uitgang
% INEEG = EEG data voor filtering, dwz functie ingang
% 0.1: high pass afkapfrequentie
% []: Low-pass cut-off, undefined omdat een high-pass filter is gewenst
Ingang voor stap 3.1.2 Beschrijving
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: High-pass afgesneden, undefined omdat een low pass filter is gewenst
% 30: low-pass cut-off frequentie
Ingang voor stap 3.1.3 Beschrijving
OUTEEG = pop_epoch (INEEG, 'event', {'gezicht', 'scra'}, [-0,2 0,6]); % Epoching
% 'Event', {'gezicht', 'scra'}: de functie wordt verteld aan de trigger events 'gezicht' en 'scra' gebruiken als de tijd vergrendeling markers. Deze triggers zijn gedefinieerd in de experimentscript om het begin van gezicht en scrambled gezicht sti markerenmulus presentatie begin.
% [-0,2 0,6] = tijdvenster voor de ERP van 0,2 sec voordat de tijd vergrendelingseventmonitors tot 0,6 sec
OUTEEG = pop_rmbase (EEG, [-0,2 0]); % Verwijderen van de basislijn
% [-0,2 0]: basislijn tijdvenster, dat wil zeggen 0,2 sec voordat de tijd-vergrendeling evenement om de tijd vergrendelingseventmonitors
Ingang voor stap 3.1.4 Beschrijving
functie [EEG] = threshold_rejection (EEG, drempel) % Functie-definitie, de functie vereist een EEG dataset structuur en een drempel in mV
waarbij j = 1:02
voor i = 1: lengte (EEG.data (1,1, :)) % Deze loops gaat door alle tijdperken in een bepaalde EEG-gegevens set
data = EEG.data (:,:, i);
data = data - gemiddelde (data, 2); % Aftrekken the de gemiddelde activiteit van de invloed van amplitude verschuivingen te voorkomen
maxima = max (abs (gegevens ')); % Het identificeren van de maximale absolute activiteit in alle kanalen
bad_channels = maxima> drempel;
channel_rejection (:, i) = bad_channels;
Als de som (bad_channels)> 0.2 * 128 % Als er meer dan 20% van de kanalen zijn boven de drempel, wordt het tijdperk gemarkeerd voor afwijzing
epoch_rejection (i) = 1;
anders
epoch_rejection (i) = 0;
einde
einde
als j == 1; % Selecteren alleen de tijdperken die niet zo slecht zijn gemarkeerd
EEG = pop_select (EEG, 'trial', vinden (epoch_rejection == 0))
anders % Mark kanalen die slecht zijn in meer dan 20% van de tijdperken na tijdperk afwijzing voor kanaal afwijzing
bad_channels = gemiddelde (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, vinden (bad_channels == 1), 'sferische'); % Van toepassing sferische interpolatie slechte kanalen
einde
einde
Ingang voor stap 3.1.5 Beschrijving
EEG = pop_reref (EEG, []); % Berekent de gemiddelde referentie
Ingang voor stap 3.2.1 Beschrijving
kanalen = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % Rechts N170 % Occipito-temporele kanalen van de rechter hersenhelft% voor N170 antwoorden via het kanaal labels voor de% 128 kanalen Geodetische Hydrocel Sensor Net
EEG = pop_select (EEG, 'channel', kanalen); % Het selecteren van de kanalen
Virtual_channel = gemiddelde (EEG.data, 1); % Het combineren van de afzonderlijke kanalen een virtueel kanaal
Ingang voor stap 3.3.2 Beschrijving
N170_peak = max (abs ((averaged_ERPs (0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2)); % Maximale amplitude binnen een latentie venster voor elke deelnemer in mV
N170_peaklatency = 1000 * (vinden (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 % Peak latency in msec
N170_mean = gemiddelde (averaged_ERPs:, 0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2); % Gemiddelde amplitude in mV

Tabel 1. MATLAB-opdrachten uit te voeren ee voorbeeld experiment en analyseren high-density EEG-registraties op kanaal-en bron-niveau. De tabel geeft een overzicht van de code om de gezichten te implementeren vs scrambled gezichten voorbeeld experiment. Verder wordt de code voor pre waarin de vis EEG gepresenteerd. Daarnaast worden werkwijzen voor de extractie golfvorm karakteristieken voor kanaalniveau analyse van een event-gerelateerde respons getoond.

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

Het huidige artikel beschrijft de registratie en analyse van hoge dichtheid EEG voor de wederopbouw van de corticale generatoren gebruiken randelementenmethode modellen op basis van leeftijd passende gemiddeld MRI templates en diepte gewogen minimum norm schatting in een standaard ERP-paradigma geschikt voor kinderen. In dit paradigma, worden de beelden van gezichten en roerei gezichten gepresenteerd. Verschillende auteurs gebruikten dit paradigma voor de ontwikkeling van het gezicht verwerkingsprocessen overdevelopment 35 onderzoeken. Op het kanaal niveau zijn meer negatieve doorbuigingen over RV occipito tijdelijke kanalen beschreven voor het gezicht voorwaarde om de gecodeerde gezicht conditie. De topografie, latentie en die typerend zijn consistent met de component N170 34. Vorige bron en gelijktijdige EEG fMRI onderzoek melden dat de spoelvormige gyrus is een waarschijnlijke generator van de N170 respons. De resultaten van de huidige analyse blijkt dat bron inversie met een diepte gewogen grenselementenmodel (BEM) kan worden gebruikt om de bron activiteit te lokaliseren in de spoelvormige gyrus tegenover gecodeerde gezicht paradigma de afzonderlijke deelnemers. Het gebruik van hoofd-modellen op basis van de anatomie van de individuele deelnemer of het gebruik van leeftijd passende gemiddeld anatomische scans voor de ontwikkelingsbiologie studies, waarin de individuele anatomie niet beschikbaar is, zal de meest nauwkeurige bron lokalisatie 2 mogelijk te maken. Verder kan de regio's van belang worden aangewezen op basis van anatomische kennis of automatische verkaveling algoritmen om het evenement gerelateerde reactie van bepaalde corticale gebieden te onderzoeken.

Er zijn verscheidene beperkingen aan de bron wederopbouw, met name in ontwikkeling monsters op dit moment. Ten eerste bron reconstructie gebaseerd op gemiddelde sjablonen voor verschillende leeftijdsgroepen neemt aan dat het individu toont typische hersenontwikkeling hun chronologische leeftijd, die niet noodzakelijkerwijs het geval zou kunnen zijn, vooral in patiëntengroepen. Voorbijvoorbeeld verschillende studies beschreven atypische trajecten in groei van de hersenen voor te vroeg geboren kinderen 36 kinderen met autisme 37. Het is moeilijk te schatten hoe deze anatomische verschillen de nauwkeurigheid van de inverse oplossing en afwijking resultaten van vergelijkingen tussen atypische en typische controlegroepen beïnvloeden.

Ten tweede, vooruit modellen zoals de grens elementen model (BEM) niet geleidbaarheid inhomogeniteiten integreren in compartimenten, bijvoorbeeld verschillen tussen grijze en witte stof. De nauwkeurigheid voor subcorticale bronnen is dus beperkt. Bron oplossingen werden beperkt tot corticale bronnen om die reden. Eindige elementen modellen kan worden toegepast voor meer nauwkeurige resolutie van subcorticale generatoren. Met oplossingen beperkt tot de cortex, is het belangrijk om in gedachten te houden dat activering in corticale gebieden onderliggende subcorticale oorzakelijke mechanismen, bijvoorbeeld feedback communicatie via thalamische lussen kunnen weerspiegelen.Daarom worden causale gevolgtrekkingen over de betrokkenheid van de corticale gebieden beperkt, tenzij complexere modellen worden gebruikt die momenteel alleen beschikbaar voor typische anatomie, eg, Dynamic Oorzakelijk Modelling 38,39.

Verder Boundary element modellen gaan ervan gesloten schalen voor elk compartiment. Echter, jonge kinderen hebben zachte plekken in hun schedels, waar de hechtingen tussen de schedelbeenderen niet volledig samengevoegd 15. Deze schending van BEM veronderstellingen ernstig beperkt de toepasbaarheid van bron reconstructie met BEM bij zuigelingen jonger dan 2 jaar. Eindige elementen modellen kunnen worden gebruikt voor de bron wederopbouw in deze leeftijdscategorie.

Ten derde, ook al aangepast aan de leeftijd hoofd modellen werden gebruikt voor bron wederopbouw, geleidbaarheid waarden, gebaseerd op volwassen monsters werden gebruikt voor het model geleidbaarheid binnen elk compartiment. Echter, weefsel geleidbaarheid waarschijnlijk overstappen ontwikkeling, bijvoorbeeld., Viaverhoogt de botdichtheid 15. Geleidbaarheid waarden voor soorten weefsel gebruikt in BEM voor menselijke baby's en kinderen zijn momenteel niet beschikbaar om onze kennis.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Publicatiekosten voor dit artikel werden gesponsord door Electrical Geodeten, Inc

Acknowledgments

We willen prof. John Richards, Universiteit van South Carolina, bedankt voor het verlenen ons toegang tot de Ontwikkelings MRI-database en behulpzaam discussies. We willen ook graag onze financiers bedanken Great Ormond Street Children's Charity, 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).
Corticale Bronanalyse van High-Density EEG-registraties bij kinderen
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