Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

Corticale Analyse de la source de haute densité EEG Recordings chez les enfants

doi: 10.3791/51705 Published: June 30, 2014

Summary

Au cours des dernières années, il ya eu un intérêt croissant pour l'estimation des sources corticales du cuir chevelu mesurées activité électrique pour des expériences en neurosciences cognitives. Cet article décrit comment EEG haute densité est acquis et comment les enregistrements sont traités pour l'estimation de la source corticale chez les enfants dès l'âge de 2 ans au bébé Lab Londres.

Abstract

EEG est traditionnellement décrite comme une technique de neuro-imagerie à haute résolution spatiale et temporelle faible. Les progrès récents dans la modélisation biophysique et traitement du signal permettent d'exploiter l'information d'autres modalités d'imagerie comme l'IRM structurelle qui fournissent une haute résolution spatiale pour surmonter cette contrainte 1. Ceci est particulièrement utile pour les enquêtes qui exigent une haute résolution dans le temporel ainsi que le domaine spatial. En outre, en raison de l'application facile et à faible coût des enregistrements EEG, EEG est souvent la méthode de choix lorsque l'on travaille avec les populations, comme les jeunes enfants, qui ne tolèrent pas l'IRM fonctionnelle scanne bien. Toutefois, afin d'enquêter sur ce qui substrats neuronaux sont impliqués, des informations anatomiques de l'IRM structurelle est encore nécessaire. La plupart des logiciels d'analyse EEG travaillent avec des modèles de tête standards qui sont basés sur l'anatomie adulte. La précision de ces modèles lorsqu'il est utilisé pour les enfants est limitée 2, parce que le composition et la configuration spatiale de la tête tissus changements de façon spectaculaire sur le développement 3.

Dans le présent article, nous présentons un aperçu de nos récents travaux en utilisant des modèles de tête sur la base de différents IRM structurelles ou des modèles spécifiques de la tête d'âge pour reconstruire les générateurs corticaux de haute densité EEG. Cet article décrit comment les enregistrements EEG sont acquises, traitées et analysées avec les populations pédiatriques au bébé Lab Londres, y compris l'installation de laboratoire, la conception des tâches, EEG prétraitement, traitement IRM, et le niveau du canal EEG et l'analyse des sources.

Introduction

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

Le président Barack Obama a décrit le cerveau humain comme la prochaine frontière de la découverte scientifique de haute importance pour la santé et l'économie 3 (http://www.whitehouse.gov/share/brain-initiative). Toutefois, comme dans tout autre domaine dans les sciences naturelles, les neurosciences dépend de progrès dans les méthodes et techniques d'analyse de progrès. Deux outils non invasifs couramment utilisés dans les études sur le fonctionnement du cerveau chez l'homme sont l'imagerie par résonance magnétique (IRM) et l'électroencéphalographie (EEG). Ces outils exploitent des propriétés physiques différentes et fournir différentes perspectives sur le fonctionnement du cerveau avec des avantages et des inconvénients. L'IRM utilise les propriétés magnétiques des molécules d'eau à l'intérieur des champs magnétiques pour obtenir des images de tissus vivants. L'objet doit être placé dans un aimant d'intensité de champ élevée. Le mouvement du participant est restreint durant cette procédure et le participant doit tolérer le bruit causé par les changements rapides dans le champ magnétiquedomaine. En plus des images structurelles, l'IRM fournit également la possibilité de mesurer les changements dans l'oxygénation du sang pour étudier le fonctionnement du cerveau (IRM). En résumé, l'IRM offre une résolution spatiale relativement élevée allant jusqu'à 0,5 mm 3 avec des champs élevés modernes scanners et des paramètres optimisés 4. En revanche, la résolution temporelle de l'IRMf est limitée à la cinétique lente de la réponse BOLD, qui reflète seulement indirectement la dynamique temporelle élevés de l'activité neuronale 5,6.

D'autre part, l'EEG mesure les variations de l'activité électrique provoquées par l'activité de neurones par l'intermédiaire d'électrodes placées sur le cuir chevelu. Les progrès récents de la technologie EEG permettent une application rapide et facile des capteurs pour les enregistrements ambulatoires à court terme ou à long terme et fixe ainsi que. Parce que l'EEG est moins restrictive, il est également la méthode de choix pour certaines populations de participants qui ne tolèrent pas l'environnement IRM bien comme pédiatrique et certainpopulations gériatriques et psychiatriques. Les propriétés de l'EEG montrent un motif inverse de ceux de l'IRM: la résolution temporelle est très élevé avec une précision d'une milliseconde, mais la résolution spatiale est limitée. Des courants électriques passent à travers les différents tissus entre leur générateur et les électrodes d'EEG sur la surface du cuir chevelu. Cela conduit à un mélange et étalement spatial de l'activité de la source connue sous l'effet du volume de conduction. Par conséquent, l'activité mesurée par les électrodes sur la surface du cuir chevelu reflète l'activité à partir de multiples sources qui peuvent être éloignés de la position de l'électrode sur la tête de 1,7.

Beaucoup de travail au cours des dernières années a été consacrée à la fusion de l'IRM et EEG afin de tirer parti de leurs atouts respectifs. Une ligne de travail est consacrée à l'acquisition simultanée de l'EEG et IRM dans les études fonctionnelles. Une autre approche consiste à utiliser les informations spatiales fournies par l'IRM structurelle pour tenir compte du volume conduction effet grâce à la modélisation biophysique. L'utilisation de l'information structurale pour la reconstruction de source d'enregistrements EEG est particulièrement utile pour des études impliquant une population pédiatrique. L'enquête de l'évolution de la fonction cérébrale est essentielle pour comprendre comment les compétences cognitives complexes sont construits au-dessus de précurseurs simples 8.

Ces enquêtes permettent de mettre en évidence des changements dans les substrats neuronaux et des propriétés de réponse qui sont en corrélation avec les changements dans la performance comportementale. Toutefois, l'enquête de la fonction du cerveau et la cognition au cours du développement pose également des défis spécifiques. En particulier, la possibilité pour les études d'IRM fonctionnelle est limitée car les jeunes enfants et les nourrissons doivent soit être endormi ou sous sédation pour obtenir des données d'IRM sans artefacts de mouvement et de l'impact négatif sur le bien-être des participants. En outre, l'EEG est perçu comme moins risqué et invasif par les parents, ce qui rend le recrutement des participants à la recherche plus facile. Tar conséquent, l'EEG est la méthode de choix pour de nombreuses enquêtes sur le fonctionnement du cerveau chez les jeunes enfants. Progrès méthodologiques dans les systèmes EEG permettent l'application des matrices d'électrodes à haute densité avec 128 canaux ou plus en quelques minutes. Facilité d'application et un confort de port sont suffisantes pour permettre même enregistrement EEG dans les plus jeunes enfants. Cependant, souvent, les chercheurs ne sont pas seulement intéressés à la dynamique temporelle des réponses à des stimuli particuliers, mais aimeraient également de comparer les substrats neuronaux qui interviennent dans les réponses.

Une hypothèse qui prévaut dans le niveau de canal analyse ERP comparant différents groupes d'âge, c'est que les mêmes substrats neuronaux de répondre, mais que le moment ou l'amplitude de la réponse varie selon les âges 9. Cuir chevelu topographie similaire est souvent utilisé comme un indicateur de l'activité neurale sous-jacente similaire. Cependant, de nombreuses configurations de sources différentes peuvent conduire à des topographies du cuir chevelu similaires 10. En appliquant l'estimation de la source, ce Uncertitude peut être réduite et quantifié. L'indépendance des observations est essentiel pour les comptes du réseau de la fonction cérébrale: si les sources sont mélangés, les corrélations seront biaisées vers la connectivité locale plus élevée. reconstruction de source peut être appliqué pour réduire ce biais 11. Inversement, les différences dans le calendrier et la phase peuvent être utilisées pour l'analyse de la connectivité, mais ces modèles mathématiques nécessitent des hypothèses qui sont difficiles à évaluer en données non simulées 12. En résumé, l'estimation de la source fournit des informations supplémentaires à l'EEG de niveau de canal et l'analyse des ERP basée sur la connaissance de l'anatomie et les propriétés biophysiques des tissus.

Différents algorithmes ont été conçus pour trouver des solutions au problème inverse. Ces algorithmes sont en gros en deux catégories: paramétriques et non paramétriques 13. Modèles paramétriques supposent une ou plusieurs dipôles qui peuvent varier dans l'emplacement, l'orientation et la force. En revanche, les modèles paramétriques contai nonna grand nombre de dipôles avec emplacement et l'orientation fixe. Dans ces modèles, l'activité électrique du cuir chevelu est expliquée comme une combinaison des activations dans les dipôles fixes 10,13,14. Non paramétrique, modèles de sources distribuées peuvent être basées sur la connaissance de l'anatomie et de la conductivité dans les différents médias. Modèles d'éléments de frontière intègrent les valeurs de conductivité pour les principaux tissus de la tête avec différentes coques pour le cerveau, le liquide céphalo-rachidien, et le crâne. Ceci est basé sur l'hypothèse que la conductivité est essentiellement constante à l'intérieur de chaque compartiment, mais que des modifications marquées se produit à la limite entre les différents compartiments. Modèles éléments finis sont basés sur la poursuite de la segmentation des examens IRM dans la matière grise et blanche pour que les valeurs de conductivité peuvent être affectés à chaque voxel 15.

En termes pratiques, modèles non paramétriques sont particulièrement utiles pour la reconstruction de source dans des tâches cognitives complexes, dans lequel le nombre de zones concernées peutpas connu 10. Modèles d'éléments de frontière sont les plus largement utilisés dans la littérature actuelle, probablement parce que les plus précises modèles éléments finis présentent des demandes de calcul comparable élevés. En outre, il existe une variabilité interindividuelle considérable dans la matière grise et blanche de sorte que MEF devrait être basée sur l'IRM individuels.

Les modèles non paramétriques exigent une deuxième étape pour adapter le cuir chevelu activité mesurée aux prédictions du modèle de l'avant. Encore une fois, des approches différentes avec différents avantages et inconvénients ont été discutés dans la littérature (voir Michel et al. 2004 pour un aperçu). Les algorithmes les plus couramment utilisés sont basés sur l'estimation de la norme minimale (MNE), ce qui correspond le cuir chevelu activité mesurée à une distribution de courant dans le modèle de l'avant avec l'intensité globale plus faible 16. MNE est biaisé vers des sources faibles et superficielles. Profondeur algorithmes MNE pondérés essaient de réduire le biais de surface en introduisant pondérationmatrices fondées sur des hypothèses mathématiques 10. L'approche LORETA largement utilisé se fonde également sur ​​pondérée MNE, mais minimise en outre le Laplacien de sources, ce qui conduit à des solutions plus douces 17,18. LORETA a été trouvé pour les meilleures performances pour les sources individuelles dans les études de simulation 19,20. Cependant, LORETA peut conduire à plus de lissage des solutions. Profondeur pondérée MNE est préférable que les sources sont inconnues ou plusieurs sources sont susceptibles d'être présents 13, 16. En comparant les résultats de différents algorithmes d'évaluer l'influence de différentes hypothèses du modèle est recommandé.

En résumé, la reconstruction de la source grâce à des méthodes de modélisation a été limité pour les enfants jusqu'à récemment. C'est parce que la plupart des logiciels d'analyse EEG s'appuie sur des modèles de tête basée sur l'anatomie adulte qui limite considérablement l'exactitude des solutions à la source chez les enfants 2,8. L'accès pas cher à la puissance de calcul et la fourniture delogiciel convivial pour la reconstruction de la source permettent de surmonter ces limitations. Application de l'estimation de la source à l'EEG présente deux avantages importants par rapport à des analyses fondées sur des observations du niveau de canal seulement: amélioration de la résolution et de l'indépendance des observations spatiales.

estimation de la source ne peut pas être instructif dans certains cas: une bonne couverture de la tête est nécessaire de distinguer les sources. Systèmes à haute densité avec 128 électrodes ou plus sont recommandés 10,15; une couverture clairsemée agira comme un filtre spatial menant à plus grande activation de la source de propagation ou de faux résultats négatifs 10. En outre, la reconstruction de source basé sur la méthode décrite dans cet article a été signalé pour les générateurs corticaux. Par conséquent, il est moins approprié pour tester des hypothèses sur des substrats sous-corticales ou sous-corticales interactions corticales. Enfin, l'analyse de la source doit être fondée sur des hypothèses préalables détaillées sur les substrats corticaux,prenant la littérature existante d'autres modalités d'imagerie en compte. Des techniques de filtrage spatial peuvent également être utilisés pour améliorer la résolution spatiale du signal EEG en réduisant mélange spatial au niveau du cuir chevelu. Des méthodes alternatives pour réduire l'influence des effets de volume de conduction sans modélisation de la tête sont utilisés, par exemple, le filtrage de Laplace 21 ou actuelle analyse de la densité Source 22. Cependant, ces méthodes ne fournissent pas plus d'informations sur les générateurs de neurones que les effets du volume de conduction ne sont pas seulement limitées à des capteurs à proximité spatiale 1.

Dans les sections suivantes, l'article décrit comment des expériences pour l'enquête de cerveau et la fonction cognitive chez les enfants de 2 ans sont conçus au bébé Lab Londres. Ensuite, l'acquisition de données EEG de haute densité systèmes de basse impédance avec enfants est discutée. Ensuite, EEG prétraitement et d'analyse sur le niveau du canal est présenté. Lastly, l'article porte sur le traitement de données d'IRM de structure pour une reconstruction de source corticale et l'analyse des signaux de niveau de la source.

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

Expériences potentiels 1. Conception EEG et événements liés aux enfants

Remarque: Une expérience simple a été conçu pour les besoins de cet article qui peut être utilisée pour étudier le traitement des visages chez les jeunes enfants. La section suivante décrit l'expérience et expliquer comment mettre en œuvre à l'aide de MATLAB R2012b et PsychToolBox V3.0.11 23,24. Les photos prises à partir de l'ensemble NimStim d'expression faciale émotionnelle 25 ont été utilisés pour cet exemple. Cet ensemble de stimulus est disponible à des fins de recherche sur demande ( http://www.macbrain.org/resources.htm ).

  1. Transférez les photos RVB en niveaux de gris à réduire les différences entre les stimuli. Voir le tableau 1. Remarque: Ces commandes nécessitent le traitement de l'image Boîte à outils ( http://www.mathworks.co.uk/products/image/ ). Alternatives libres peuvent être trouvées tvec l'échange de fichiers ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Utilisez un logiciel de contrôle expérimental pour mettre en œuvre l'expérience avec un timing précis pour les déclencheurs de la présentation du stimulus utilisant une série de commandes (voir le tableau 1 pour un exemple).

2. D'acquisition de données

  1. Assurez-vous que l'enfant est à l'aise avec l'environnement de test. Permettre aux jeunes enfants de s'asseoir sur les genoux de leur fournisseur de soins ou dans le siège d'un enfant à l'aise. Laissez l'enfant voir et sentir le filet du capteur avant de l'appliquer à la tête de l'enfant. Si il ya une nette supplémentaire, ont le parent aussi essayer un sur, ou placer un sur une poupée ou peluche peluche.
  2. Mesurez la circonférence de la tête maximale pour sélectionner la taille correcte net pour l'enfant. Utilisez un ruban à mesurer et tenir au nasion. Ensuite, mesurer autour de la tête autour de la circonférence maximale (~ 1cm au-dessus de l'inion). Remarque: garder une trace de la circonférence de la tête de mesure et le filet de capteur utilisé pour une analyse ultérieure 26. Il permet, si la tête des parents est également mesurée à rendre les enfants plus à l'aise avec la situation.
  3. Identifier le sommet de la tête à l'intersection de la mi distance entre nasion et inion et le point périauriculaire gauche et à droite. Marquer ce point avec un stylo porcelaine afin de s'assurer que la canalisation de sommet est correctement positionné lors de l'application du filet.
  4. Appliquer le réseau de capteurs et assurez-vous que les canaux principaux sont alignés avec les repères anatomiques (nasion, Inion, vertex et mastoïdes gauche / droite). Remarque: Pour obtenir des résultats plus précis, la position des chaînes sur la tête peut être acquise numériquement en utilisant un équipement de numérisation spécial. Les chercheurs qui souhaitent acquérir la position du capteur doivent se reporter aux manuels du matériel et des logiciels appropriés. Sinon, cartes d'électrodes qui assument placement standard d'électrodes long anatomique landmarks peuvent être utilisés. Ces cartes peuvent être déformés à l'âge des modèles de tête appropriées comme décrit dans la section d'analyse.
  5. Veiller à ce que les canaux ont un bon contact avec le cuir chevelu en positionnant les capteurs individuellement; tourner doucement chaque capteur d'un côté à l'autre pour déplacer les cheveux de la route.
  6. Mesurer les gains de canal et impédances de canal. Cliquez sur "Démarrer" pour commencer l'enregistrement dans le logiciel d'enregistrement NetStation EEG et commencer le gain et la mesure d'impédance. Si la mesure ne démarre pas automatiquement, utilisez le "Calibrer Amplificateur" et le bouton "mesurer des impédances net".
  7. Vérifiez le logiciel d'enregistrement pour les canaux avec des impédances supérieures à 50 kQ qui apparaîtront en rouge. Appliquer une solution d'électrolyte supplémentaire avec une pipette pour abaisser l'impédance de canal. Vérifiez l'affichage EEG pour les canaux qui présentent une activité à haute fréquence malgré une faible impédance ou nettement moins d'activité que les canaux environnants (canaux de ligne à plat). Ces canaux peuvent VHAe perdre le contact avec le cuir chevelu et nécessiter un ajustement.
  8. Afin de garder les enfants à l'aise pendant la préparation EEG, permettre à l'enfant d'écouter la musique, regarder un dessin animé âge approprié ou distraire les en utilisant un autre expérimentateur, par exemple, des bulles de savon pour les tout-petits.

3. Analyse

  1. Prétraitement
    1. Filtrage numérique des données avec un filtre passe-haut avec une coupure à 0,1 Hz pour éliminer canal dérive 27 (tableau 1).
    2. Pour l'analyse des ERP, appliquer un filtre passe-bas avec une coupure à 30 Hz 27 (tableau 1).
    3. Epoch les données continues selon les codes de déclenchement fixés lors de l'enregistrement. Pour la plupart des expériences, utiliser une base de 200 ms avant début du stimulus et un intervalle de 600 ms après la stimulation pour couvrir l'intervalle de temps d'intérêt (tableau 1).
    4. Retirer époques qui contiennent mouvement ou clignement artefacts: marque channels avec une amplitude crête à crête supérieure à 150 mV - ajuster ce seuil en fonction du groupe de participants et la qualité des données. Par souci de cohérence, utiliser le même seuil pour tous les participants dans une étude. Si un canal est au-dessus de ce seuil dans plus de 30% des époques, enlever le canal (activité de canal peut être interpolée à partir des canaux qui entourent, si ceux-ci contiennent des données acceptables). Si plus de 20% des chaînes sont marqués comme mauvais dans une époque, retirez l'époque. Si plus de 20% des canaux sont rejetés par l'algorithme ou moins de 50% d'époques sont retenues, envisager de supprimer le jeu de données à partir d'autres analyses (tableau 1).
      Remarque: Les seuils de pourcentage pour l'époque et le rejet de canal sont des chiffres approximatifs qui éliminent une quantité suffisante de bruit dans notre expérience. La quantité de l'artefact dans l'enregistrement est susceptible d'être différent à l'aide d'autres groupes de participants, des paradigmes expérimentaux ou des systèmes d'EEG. Les expérimentateurs peuvent vouloir ajuster le pourcentageseuils et vérifier s'ils sont satisfaits avec le rejet d'artefact. Alternativement, les expérimentateurs peuvent rejeter essais qui contiennent artefact par une inspection visuelle.
    5. Re référence à la référence moyenne en soustrayant l'activité moyenne à travers les canaux de chaque canal (tableau 1). Remarque: L'électrode de sommet est généralement utilisé en tant que référence d'enregistrement dans NetStation.
  2. Correction Artefact Utilisation de l'analyse en composantes indépendantes
    1. Importer les données dans la boîte à outils plus rapide 28 et exécuter l'algorithme automatique d'artefacts de rejet des données (tableau 1).
    2. Utilisez l'interface utilisateur graphique (GUI) pour plus rapide; pour ouvrir la FASTER_GUI GUI, tapez dans la ligne de commande.
    3. Décochez les options de filtrage dans le menu de filtrage des données a déjà été filtré avant la epoching.
    4. Indiquez le nombre de canaux: 126 canaux EEG avec 2 electrooculagram (EOG) canaux.
    5. Entrez lemarqueurs utilisés pour epoching les données sous forme de chaînes dans un réseau de cellules. Pour le cas présenté entrer: {«visage», «SCRA '} pour le visage et les conditions de visage brouillés.
    6. Sélectionner les canaux pour l'analyse en composantes indépendantes (ICA). Sélectionnez généralement tous les canaux d'enregistrement, incl. canaux EEG non externes.
    7. Spécifiez l'entrée et le dossier de sortie dans le volet droit de l'interface graphique.
    8. Sélectionnez le fichier de canal approprié pour les enregistrements. Remarque: Les fichiers de la Manche pour la plupart système EEG peuvent être soit téléchargés à partir du constructeur ou peuvent être téléchargés à partir du site Web de EEGLAB.
    9. Cliquez sur Exécuter pour commencer le traitement plus rapide. En fonction de la longueur des enregistrements et le nombre de fichiers, ce traitement peut prendre plusieurs heures.
    10. Inspecter visuellement les disques, les cartes de composants indépendants et ERP après le traitement.
  3. Canal analyse au niveau des données Potentiels événement lié
    1. Combiner plusieurs canaux pour former un c virtuelhannel avec un meilleur rapport signal sur bruit (tableau 1). Remarque: La sélection de chaînes devrait être basée sur les précédents rapports de la littérature ou hypothèses a priori. Sélection des chaînes qui montrent la plus grande amplitude dans une fenêtre de temps donné n'est pas conseillé 29.
    2. Obtenir des mesures comme l'amplitude de crête, moyenne de latence et l'amplitude crête à caractériser la forme d'onde et effectuer des tests statistiques (tableau 1).
  4. Créer des modèles d'éléments de frontière (BEM)
    1. Segment l'IRM anatomique scan avec FreeSurfer. Remarque: Pour obtenir des résultats plus précis, fonder le modèle des éléments de frontière sur l'IRM individuels pour chaque participant. Si cela n'est pas possible, des modèles d'IRM moyens qui correspondent à l'âge des participants autant que possible devraient être utilisées. S'il vous plaît noter que BEM ne peut être utilisé pour les enfants de moins de 24 mois. Modèles d'éléments de frontière supposent que chaque coquille (cerveau, le crâne, la peau) se compose d'une coque fermée. Cependant, en yenfants eunes les fontanelles du crâne ne sont pas fermées, ce qui viole l'hypothèse de coque fermée.
      1. Pour installer le logiciel FreeSurfer, d'abord le télécharger à partir du site FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Ensuite, mettre en place l'environnement du shell comprennent FreeSurfer; . pour bashrc, inclure les commandes suivantes dans le fichier bashrc.:
        1. Export FREESURFER_HOME = / Applications / freesurfer /
        2. Source $ FREESURFER_HOME / FreeSurferEnv.sh
          Remarque: Ces commandes supposent que le dossier FreeSurfer trouve dans le dossier Applications sur un système Unix. Il n'y a plus de détails sur la configuration de FreeSurfer avec les environnements de shell de remplacement, par exemple csh / tcsh, ou systèmes d'exploitation sur le site FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Ensuite, définir la direction Objethistoire, c'est à dire le dossier que la sortie sera écrite en utilisant la commande suivante:
        1. exportation SUBJECTS_DIR = / ... / BEM /
          Note: Les résultats peuvent être écrits dans n'importe quel dossier sur le système.
      3. Ensuite, changer le répertoire de travail dans le dossier qui contient le fichier de l'IRM pour la frontière élément de modèle en utilisant la commande suivante:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Enfants / cerveau /
          Note: Tout dossier sur le système peut être spécifié en utilisant la syntaxe de la commande cd. Ceci est un exemple de la structure de fichier chercheurs primaire.
      4. Enfin, commencer la reconstruction en utilisant les commandes suivantes:
        1. recon-all-i-<mri_file> subjid <subject_id>
        2. recon-tout-tout-subjid <subject_id>
          Remarque: <mri_file> doit être remplacé par le nom de l'IRM souhaités dans le répertoire courant. <subject_id> peut être replacé avec n'importe quel nom. FreeSurfer va créer un dossier avec ce nom dans le répertoire de l'objet. Selon le système utilisé, les dernières commandes peuvent nécessiter un certain temps à courir.
    2. Vérifiez la segmentation FreeSurfer pour la segmentation incorrecte, par exemple. sphères qui se chevauchent, anatomiquement compartiments improbables etc. en important les segments en BrainStorm et utiliser les outils d'affichage dans l'interface graphique:
      1. En BrainStorm, sélectionnez le volet d'anatomie. Importez le IRM segmentée par un clic droit sur l'objet et en sélectionnant «Importer anatomie dossier". Vérifiez que le dossier avec la sortie FreeSurfer est sélectionné. Inspectez la segmentation visuellement par un clic droit et en sélectionnant "Affichage". Remarque: Vous pouvez également FreeSurfer commandes peuvent être utilisées. Une description détaillée peut être consultée sur le site FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedRRECONSTRUCTION. Si la région de l'analyse d'intérêt basé sur parcellisation anatomique est souhaitée, le FreeSurfer fonctions mris_ca_label , mri_annotation2label et mri_mergelabels peuvent être utilisés. Reportez-vous aux publications FreeSurfer et les pages d'aide en ligne pour plus d'informations.
  5. Estimer l'activité de la source dans BrainStorm
    1. Lancer BrainStorm en tapant "remue-méninges" dans la fenêtre de commande.
    2. Créer un nouveau protocole en sélectionnant Nouveau Protocole dans le menu Fichier.
    3. Ajouter un nouveau subject le protocole en sélectionnant Nouveau sujet dans le menu Fichier.
    4. Importer des données EEG pour le participant par un clic droit sur l'objet et en sélectionnant «Importer MEG / EEG".
    5. Importation d'un fichier de canal par un clic droit et en choisissant "fichier de canal d'importation". Remarque: Le fichier de canal doit être aligné à l'IRM pour la reconstruction de la source. BrainStorm utilise un système de 4 points de référence anatomiques que l'utilisateur doit indiquer dans la IRM. S'il vous plaît se référer aux tutoriels de brainstorming pour plus d'informations ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). La position normale telle que définie par un fichier de canal pour un certain système d'EEG ou, idéalement, les positions de la tête qui ont été numérisées avant l'enregistrement EEG peuvent être utilisés.
    6. Vérifiez que le BEM et les canaux s'alignent comme prévu: un clic droit sur le fichier de canal pour le sujet et accédez à "l'enregistrement IRM" et "; Vérifier ". Remarque: Si les sphères dans le modèle se chevauchent ou si les canaux sont dans le BEM, la reconstruction de source produiront des résultats incorrects. Ajuster l'alignement en utilisant l'option "Modifier" dans le menu "segmentation IRM".
    7. Calculer la matrice de covariance du bruit de la ligne de base de chaque époque par un clic droit sur le participant et en choisissant "bruit Matrice de covariance» et «Calcul de l'enregistrement". Note: Les auteurs de la boîte à outils de BrainStorm vous recommandons d'utiliser un bruit matrice diagonale de covariance pour les enregistrements courts (~ points de temps inférieur à chaînes) et un plein pour les longs enregistrements. S'il vous plaît se référer au tutoriel BrainStorm Source Estimation pour plus d'informations: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Calculer le modèle source par un clic droit sur l'objet et en sélectionnant "Compute modèle de source ".
    9. Calculer la solution inverse en utilisant la profondeur minimale pondérée Norm Estimation par un clic droit sur l'objet et en sélectionnant «Calculer Source" et "estimation de norme minimale". Remarque: Autres options (DSPM, sLORETA) sont disponibles. Chaque option a ses avantages et ses inconvénients. L'algorithme doit être sélectionné sur la base de considérations a priori et les rapports précédents dans la littérature. En outre, certains algorithmes sont mieux dans la résolution activation focal dans certaines zones, tandis que d'autres sont plus appropriés pour l'activation répandue. MNE a été utilisé pour cette étude basée sur les précédents rapports de la littérature 16. Par souci de cohérence, le même algorithme pour la solution inverse doit être utilisé pour tous les participants dans une étude. Les chercheurs peuvent aussi vouloir comparer la façon dont les résultats sont robustes à l'application de différents algorithmes de résolution inverse.
    10. Répétez l'article 3 pour tous les participants à l'étude. Remarque: Soit utiliser le grainterface dosage géographique ou les scripts pour répéter les étapes de traitement pour les participants. Consultez la documentation de BrainStorm pour les instructions ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Activité de la source moyenne sur les essais par les participants en faisant glisser les enregistrements dans le menu de processus et en sélectionnant «moyen» et «par état (moyenne de sujet)".
    12. Contraste de l'état en sélectionnant les "Processus 2" et en faisant glisser chaque état dans une fenêtre. Ensuite, sélectionnez "Test" et "test t de Student» ou «test t de Student (apparié)" en fonction de la conception. Pour effectuer des comparaisons multiples, mis en amplitude et les seuils de la région dans l'affichage de la carte statistique résultant dans le menu "Stat". Remarque: Vous pouvez également les cartes d'activation peuvent être exportés vers SPM ( http://www.fil.ion.ucl.ac.uk / SPM /) pour plus d'analyse statistique en profondeur ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Calculer la réponse liées à l'événement pour une région d'intérêt. Pour parcellisation base ROI, charger la parcellisation FreeSurfer par un clic droit sur la surface du cortex dans le menu de l'anatomie et sélectionnez "étiquettes d'importation". Naviguer sur le fichier correspondant et de le charger. Maintenant, sélectionnez un retour sur investissement dans le volet "scout" du menu fonctionnel de données.
    14. Obtenir l'événement lié à l'activité de ROI en faisant glisser les fichiers dans la fenêtre Processus 1 et sélectionnez "Extraire Scout Time Series" dans le menu Sources. Remarque: Plusieurs ROI peut être sélectionné en même temps et la série de temps de retour sur investissement peut être exporté pour plus de traçage et d'analyse par un clic droit sur le temps de scoutdonnées de la série et en sélectionnant "Exporter vers 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

Conception expériences ERP pour les nourrissons et les enfants est souvent difficile, en raison de leur capacité limitée à tolérer de longues expériences répétitives 30. Ce problème est encore aggravé lorsque l'expérimentateur prévoit d'appliquer une reconstruction de source, car la reconstruction de source précise, il faudra un signal élevé bruit 1. Figure 1 affiche un protocole expérimental pour l'étude des mécanismes de traitement du visage qui peuvent être utilisés avec de très jeunes enfants. Le paradigme est adapté à une) minimiser clignements d'yeux et les mouvements oculaires pendant la présentation du stimulus, parce que les enfants seront moins en mesure de contrôler les mouvements oculaires de volontaires adultes b) font l'expérience plus engageante en ajoutant grabbers attention après l'intervalle de relance inter. clignote des yeux et les mouvements oculaires sont contrôlés en présentant une croix de fixation peu de temps avant le stimulus afin d'attirer l'attention sur le centre de l'écran. En outre, la durée du stimulusest fixé à 500 ms, ce qui permet la perception consciente du stimulus, tout en minimisant le temps de balayage de l'image avec des mouvements oculaires. Le capteur d'attention consiste en une image adaptée aux enfants présenté avec un son simultanément. Une sélection aléatoire de différents stimuli attention grabber peut être utilisé pour maintenir la tâche intéressante pour l'enfant. Le prochain procès peut être lancé par l'expérimentateur, quand il est clair à partir du système de surveillance que l'enfant est à la recherche au centre de l'écran à nouveau. En outre, les histoires peuvent être utilisés pour aider les enfants plus âgés participent à l'écran. Il est souvent utile de pratiquer des tâches avec les enfants avant l'enregistrement EEG pour s'assurer que l'enfant comprend la tâche. Les questions de dépistage ou des scores obtenus à la session de pratique peuvent être utilisés comme covariables dans les analyses ultérieures.

Lors du calcul du nombre de répétitions nécessaires pour l'expérience, il est important de prendre en compte le fait que de nombreux essais peuvent être perdus à cause de l'inattention or mouvement artefact lorsque l'on travaille avec des enfants. En règle générale, le nombre nécessaire de répétitions doit être doublé par rapport aux études des adultes ou de recruter un plus grand nombre de participants. La durée de l'attention et de la coopération est limitée chez les enfants par rapport aux adultes. Par conséquent, tenir compte des besoins spécifiques des enfants à l'esprit lors de la conception de la tâche. Une longue tâche peut être divisée en plusieurs blocs de tâches plus courtes avec des pauses entre les deux. En règle générale, le nombre de conditions qui peuvent être inclus dans l'expérience est plus faible pour les très jeunes enfants, car ils ne seront pas en mesure de coopérer pour les périodes plus longues nécessaires pour obtenir des essais suffisants pour de nombreuses conditions de relance.

Les chiffres présentés sont basés sur un enregistrement avec un garçon de 6 ans (6 ans 3 mois). Le modèle de la tête reposait sur ​​un modèle IRM moyenne de 6 ans de 31. Figure 5 montre événement de niveau de canal liées réponses possibles (ERP) pour faire face et brouillés stimuli faciaux. Le waveform de l'ERP sur les chaînes postérieures montre l'évolution attendue d'une déviation positive suivie d'une déviation négative et une large déviation positif ultérieur. Sur la base de la topographie, évolution dans le temps et la nature du paradigme, ces détournements sont susceptibles de représenter le P100, N1 et fin composante positive potentiel. En outre, la déviation négative précoce est beaucoup plus importante pour les stimuli faciaux par rapport aux visages brouillés. Par conséquent, il est susceptible de tenir compte de la composante N170 spécifique nominale. Les cartes topographiques de la Figure 5 montrent la répartition de la tension entre 250 et 300 msec. Tension négative avec un maximum sur les canaux droit occipito-temporal de l'état des visages est évident.

La figure 6 montre la comparaison statistique de l'activité de la source projetées sur la base d'un modèle standard de la tête d'adulte et un modèle de tête d'âge approprié. reconstruction de source est basé sur un modèle des éléments frontières (BEM) avec la profondeur pondérésestimation minimum de la norme (wMNE) et plein de bruit matrice de covariance dans Brainstorm v 3.1 32. La valeur par défaut de l'INM Colin27 BEM a été utilisé comme modèle adulte. Activité de la source a été en moyenne au cours du temps entre 250 et 300 ms en ligne avec des réponses spécifiques pour le visage au niveau du canal.

La carte montre les résultats d'une comparaison t-test de Student entre les faces et l'état des visages brouillés corrigées pour les comparaisons multiples en utilisant le taux de fausses découvertes (FDR). Les résultats montrent l'activation de la source beaucoup plus fort sur le lobe temporal dans les visages par rapport à l'état des visages brouillés. La localisation en utilisant le modèle approprié de l'âge est plus focal avec de fortes divergences sur la face ventrale du cortex temporal. Localisation basée sur le modèle de la tête des adultes est plus dispersée et montre l'activité de la source des différences sur le droit interne et le gyrus temporal supérieur qui est le plus souvent absent sur la carte basée sur le modèle de la tête d'âge approprié.

Figure 1

Figure 1. Exemple de la perception des visages expérimenter adapté sur une large tranche d'âge L'expérience consiste en la présentation visuelle des images de visages ou des visages brouillés. Les stimuli sont physiquement identiques, mais l'agencement spatial est randomisés dans l'état brouillé. Chaque essai débute par la présentation d'une croix centrale de fixation pour minimiser les mouvements des yeux lors de la présentation du stimulus. La durée de la présentation de fixation transversale est aléatoire pour éviter les influences de l'entraînement sur plusieurs répétitions. Le stimulus est présenté sur une durée de 500 ms. La courte durée de minimiser également les risques de mouvements de l'oeil au cours de la fenêtre de présentation. Un stimulus accaparement de l'attention est présenté après un intervalle d'essai entre une durée aléatoire entre 1 s et 2 s. L'auattention grabber est particulièrement utile pour les très jeunes participants qui ne sont pas susceptibles d'assister à de nombreux essais de matériaux non engageante dans l'ordre. L'expérience peut commencer l'essai suivant, lorsque le participant est à la recherche à l'écran en réponse à la carte d'acquisition attention.

Figure 2
Figure 2. Schéma pour l'algorithme seuil de rejet. L'algorithme compare le maximum de chaque canal EEG dans chaque époque à un seuil défini. Si un canal contient une activité maximale au-dessus du seuil, le canal est marquée comme mauvaise. Si plus de 20% des chaînes sont mauvais dans une époque donnée, l'époque est rejetée. Après le rejet d'époque, l'activité maximale dans chaque canal est comparé au seuil. Si un canal contient une activité supérieure au seuil de plus de 30% de toutes les époques, le canal est rejeté. Si plus de 20% des chaînes sont rejetés par cette procédure ou moins de 50% des époques par l'état sont laissés après le rejet de l'époque, l'ensemble de données doit être exclue de l'analyse. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 3
Figure 3. Correction d'artefacts automatique en utilisant la boîte à outils plus rapide 28. La figure montre les options qui doivent être modifiés pour utiliser la boîte à outils plus rapide avec la configuration et le pipeline de traitement décrit dans cet article:.. 1 filtrage doit être désactivé, car l'ensemble de données a déjà été filtré 2 Le nombre de canaux doit être ajusté. Le système EEG utilisé dans cet article a 126 canaux avec2 canaux EOG. 3. Event-marqueurs pour besoin d'être spécifié comme un réseau de cellules de chaînes. Verrouillage 4 temps. La fenêtre de temps pour la réponse liée à l'événement doit être fourni. Ceci doit être identique à la fenêtre utilisée dans l'étape de epoching précédemment. 5. L'utilisateur doit définir des canaux pour l'analyse en composantes indépendantes (ICA). Dans la plupart des cas, cela comprend tous les canaux EEG et des canaux externes pertinents comme les canaux oculaires (EOG). 6. Les indices des voies oculaires doivent également être adaptées au système EEG utilisé. Pour le système EEG décrit, celles-ci seraient les canaux 125 et 128. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 4
Figure 4. Analyse de la source dans Brainstorm 32. 1. Après avoir importé le jeu de données EEG et surfaces FreeSurfer, l'élément de modèle frontière (BEM) peut être calculé en sélectionnant «modèle de tête Calculer" dans le menu "Source". 2. La matrice de covariance du bruit peut être calculée à partir des enregistrements en sélectionnant "covariance de bruit Calculer". Si l'enregistrement est assez long, c'est à dire plus de points dans le temps que les capteurs, la matrice de covariance totale peuvent être calculées, sinon une matrice diagonale est recommandée. 3. Après le calcul du modèle de la tête et du bruit matrice de covariance, il est possible d'obtenir la solution inverse. Différents algorithmes peuvent être utilisés. La profondeur minimale pondérée Norm Estimation (wMNE) algorithme a été utilisé pour cet article. 4. L'évolution dans le temps de l'activité de la source dans les régions d'intérêt (ROI) peut être extrait, en sélectionnant "Extraire Scout Time Series" f elon le menu "Source". ROI de parcellisation corticale automatique FreeSurfer ont été utilisés pour cet exemple. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 5
Réponse des potentiels évoqués figure 5. Événement (ERP) pour faire face et brouillé stimuli faciaux sur le droit occipito canaux temporels. L'ERP montre une déviation plus négative entre 130 et 220 ms après le début du stimulus sur le côté droit pour les visages par rapport aux visages brouillés. Ces propriétés sont en ligne avec les précédents rapports sur la composante N170 33. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

ove_content "fo: keep-together.within page =" always "> Figure 6
Figure 6. Comparaison de la localisation de source entre un modèle de tête d'adulte par défaut et un modèle de tête approprié. La ligne supérieure de la figure montre l'INM limite adulte modèle de tête colin27 sur la gauche et un modèle de tête d'âge approprié basé sur une parcellisation FreeSurfer d'une moyenne modèle IRM pendant 6 ans les enfants sur la droite. Les emplacements des emplacements des électrodes recalées sont également présentés. L'enregistrement a été obtenu à partir d'un garçon de 6 ans (6 ans 3 mois). Les deuxième et troisième rangée montrent les résultats d'une comparaison statistique entre les cartes d'activation de reconstruction de source EMN dans les visages par rapport à l'état des visages brouillés sur la base d'un test t corrigé pour comparaisons multiples en utilisant Taux de faux de découverte (FDR). La carte de couleur illustre l'ampleur de l'effet de rouge indiquant une activité plus élevéedans l'état et bleu montrant une plus grande activité dans l'état des visages brouillés visages. S'il vous plaît noter qu'aucun seuil d'amplitude ou de taille ont été appliquées. La localisation apparaît plus focal sur la surface ventrale du pôle temporal en utilisant le modèle de tête d'âge approprié par rapport à l'adulte BEM. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 7
Figure 7. ERP Source du gyrus fusiforme droit en réponse à des visages et brouillé les visages sur la base de la reconstruction de la source d'un enregistrement obtenu à partir d'un garçon de 6 ans (6 ans 3 mois) en utilisant un âge BEM appropriée avec les entreprises multinationales La source ERP montrer un plus déviation négative à environ 250 ms après le début du stimulus dans l'état des visages par rapport aux scrambled face condition. Cette activité est susceptible de refléter la contribution des gyrus fusiforme droit à la composante N170 dans l'état des visages.

<td>
Entrée pour l'étape 1.1 Description
input_image = imread ('/ Users / un_utilisateur / images / example.jpeg'); % De lecture de l'image
gray_image = rgb2gray (input_image); % Transfert de RVB en niveaux de gris
saveas (gray_image, 'grey_image.tiff') % Enregistrer nouvelle image
Entrée pour l'étape 1.2 Description
Exemple de code:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
Ménage%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc % les variables d'équilibre de l'espace de travail
effacer tout
fermez toutes les % La configuration des pilotes audio en mode basse latence
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Variables
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings ERP laboratoire Users Mes documents MATLAB Faces_Houses '; % De définir le répertoire de travail
netstation = 1;
% Cette bascule communication avec le logiciel d'enregistrement EEG NetStation
% De définir le nombre d'essais
no_of_trials = 80; % Unifier les noms de clavier pour la portabilité facile entreen versions Unix et PC
KbName (UnifyKeyNames '') % De définir une variable pour une touche d'échappement presses
Échap = KbName ('ESCAPE');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% stimuli de chargement
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ("C: Documents and Settings ERP laboratoire Users Mes documents MATLAB Faces_Houses Faces '); % Alimenter le dossier avec des photos stimuli
fichiers = dir (face_directory); % De générer une liste de tous les stimuli de l'image
face = {} files.name;
faces (1:2) = [];
accapareurs = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / cartes d'acquisition /'); </ Td>
accapareurs = {} grabbers.name;
accapareurs (1:2) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / sons /');
grabber_sounds = {} grabber_sounds.name;
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% A partir de l'expérience
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
si netstation == 1; NetStation ('Connect', '194 .82.245.131 ', '55513') synchronisation avec le logiciel d'enregistrement d'%
NetStation («Synchroniser», 10) la synchronisation d'% à moins de 10 msec de précision
NetStation ('StartRecording') % Démarre l'enregistrement
fin
% Installation de l'écran
screenNum = 0; % Numéro d'identification de l'écran de présentation
% Définition d'une fenêtre pour la présentation du stimulus
[Display.w, display.rect] = écran ('OpenWindow', screenNum, 0);
[WPTR, rect] = écran ('OpenWindow', screenNum); % Cacher le curseur de la souris
HideCursor;
noir = BlackIndex (WPTR); % Réglage du fond en noir
Écran ('FillRect', WPTR, noir); % De définir la police et la taille de la police pour l'affichage de texte
Écran ('TextFont', display.w, 'Arial');
Écran ('TextSize', display.w, 32);
Écran ('TextStyle », display.w, 0);
pour i = 1: no_of_trials
FlushEvents
aléatoire = randi (2);
% Choisissant au hasard une photo de l'attention du rapace
attention_grabber = imread (strcat (input_folder, «accapareurs / ', cell2mat (cartes d'acquisition (randi (longueur (cartes d'acquisition))))));
[Sons, fs, nbits] = wavread (strcat (input_folder, «sons / ', cell2mat (grabber_sounds (randi (longueur (cartes d'acquisition))))));
audio_handle = PsychPortAudio ('Open', [], [], 0, fs, longueur (sons (1, :)));
sons = sons »; % Choisissant au hasard un grabber son attention
PsychPortAudio ('FillBuffer', audio_handle, sons);
% Mise en place de la présentation de son
stimulus = strcat (face_directory, des visages (randi (longueur (visages))));
stimulus = imread (cell2mat (stimulus)); % Cette randomises la présentation des visages et des visages brouillés
si aléatoire == 2; % Chargement du stimulus qui a été sélectionné de façon aléatoire à partir de la liste de stimuli
stimulus = stimulus (randperm (longueur (stimulus (:, 1))), randperm (longueur (stimulus (1, :))));
fin % De brouillage de la matrice de relance, si le procès est un procès brouillés
stim = écran ('MakeTexture', WPTR, double (stimulus)); % Stimulus
% Préparer la relance de présentation
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% De première instance
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Cette section n'est pertinente que pour le premier procès
si i == 1;
[Nx, ny, boîte] = DrawFormattedText (WPTR, «Appuyez sur n'importe quelle touche pour démarrer», «centre», «centre», [255 255 255]);
Écran ('FrameRect', WPTR, 0, encadré);
[VBLTimestamp StimulusOnsetTim] = écran ('Flip', WPTR); % Pour le premier essai, le texte «Appuyez sur n'importe quelle touche pour démarrer» est présentée jusqu'à ce qu'une touche est pressée
KbWait ([], 2);
[Nx, ny, boîte] = DrawFormattedText (display.w, '', 'centre', 'centre', 255); % Écran vide
Écran ('FrameRect', display.w, 0, encadré); [VBLTimestamp StimulusOnsetTim] = écran ('Flip', WPTR);
fin
% Fixation de la Croix-
[Nx, ny, bbox] = DrawFormattedText (WPTR, '+', 'centre', 'centre', 255);
Écran ('FrameRect', display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = écran ('Flip', WPTR); % La préparation d'un signe plus blanc au centre de l'écran comme la croix de fixation
si netstation == 1; % Présentant la croix de fixation
NetStation («événement», «fix + ', StimulusOnsetTim) fin
% L'envoi d'un déclencheur avec l'horodatage de la présentation croix de fixation et le code "fix +" pour le logiciel d'enregistrement EEG
% Limitant le temps de présentation de la croix de fixation pour une durée aléatoire compris entre 0,15 et 0,2 s
% de stimulation % Présentant le visage ou brouillés stimulus de visage
Écran ('DrawTexture', WPTR, stim);
[VBLTimestamp StimulusOnsetTim] = écran (WPTR, 'Flip');
si netstation == 1; % L'envoi de détente avec horodatage et le code «visage» ou face »SCRA» au logiciel d'enregistrement EEG
si aléatoire == 1;
NetStation («Événements», «visage», StimulusOnsetTim)
elseif aléatoire == 2;
NetStation («événement», «SCRA», StimulusOnsetTim)
fin
fin
WaitSecs (0,5) % Limite stimulus durée de 500 ms
% Présentant un écran vide
[Nx, ny, boîte] = DrawFormattedText (WPTR, '', 'centre', 'centre', 255); % Écran vide
Écran ('FrameRect', WPTR, 0, encadré);
[VBLTimestamp StimulusOnsetTim] = écran ('Flip', WPTR);
WaitSecs (1 + rand (1)) % Intervalle de procès entre d'une durée aléatoire entre 1 et 2 secondes
% Attention grabber % Présenter la carte d'acquisition de l'attention avec son
Écran ('DrawTexture', WPTR, grabber);
sons = PsychPortAudio ('Start', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = écran ('Flip';, WPTR);
si netstation == 1;
NetStation («événement», «grbr ', StimulusOnsetTim) % Envoyer l'horodatage et le code pour le capteur d'attention pour le logiciel d'enregistrement EEG
fin
% Présenter le capteur d'attention et la bonne jusqu'à ce qu'une touche du clavier est pressée
KbWait ([], 2);
PsychPortAudio ('Stop', audio_handle);
Écran ('FrameRect', display.w, 0, encadré); % Interrompre l'expérience, si la touche d'échappement a été pressé
[VBLTimestamp StimulusOnsetTim] = écran ('Flip', WPTR);
[KeyIsDown, timeSecs, keyCode] = KbCheck; si keyIsDown
si keyCode (Échap)
sca
NetStation ('stoprecording')
retour
fin
fin % Fermer l'expérience et arrêter l'enregistrement EEG à la fin de l'expérience
fin
Écran ('CloseAll');
si netstation == 1;
NetStation ('stoprecording')
fin
Entrée pour l'étape 3.1.1 Description
OUTEEG = pop_eegfilt (INEEG, 0,1, []); % OUTEEG = EEG données après filtrage, c'est à dire. la sortie de fonction
% INEEG = EEG données avant le filtrage, c'est à dire l'entrée de fonction
% 0,1: passe fréquence de coupure
% []: Passe-bas de coupure, défini car un filtre passe-haut est souhaitée
Entrée pour l'étape 3.1.2 Description
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: Passe-haut coupé, défini car un filtre passe-bas est souhaitée
30%: passe-bas de fréquence de coupure
Entrée pour l'étape 3.1.3 Description
OUTEEG = pop_epoch (INEEG, «événement», {«visage», «SCRA '}, [-0,2 0,6]); % Epoching
% «Événement», {«visage», «SCRA '}: la fonction est dit d'utiliser de la face» les événements de déclenchement et «SCRA» que le temps de verrouillage des marqueurs. Ces déclencheurs ont été définis dans le script de l'expérience à l'occasion de l'apparition du visage et embrouillé sti de visagemulus présentation apparition.
% [-0,2 0,6] = fenêtre de temps pour l'ERP de 0,2 secondes avant l'événement de temps de blocage à 0,6 sec
OUTEEG = pop_rmbase (EEG, [-0,2 0]); % Retrait de la base
% [-0,2 0]: une fenêtre de temps de référence, soit 0,2 secondes avant l'événement de temps de blocage à l'heure de l'événement de blocage
Entrée pour l'étape 3.1.4 Description
fonction [EEG] = threshold_rejection (EEG, seuil) définition de la fonction de%, la fonction nécessite une structure de données EEG et un seuil en mV
pour j = 01h02
pour i = 1: longueur (EEG.data (1,1, :)) % Cette boucles traverse toutes les époques dans un ensemble de données EEG donné
data = EEG.data (:,:, i);
data = données - moyenne (données, 2); % Soustraction ee activité moyenne pour éviter l'influence des changements d'amplitude
maxima = max (abs (données '))'; % Identifier l'activité maximale absolue dans tous les canaux
bad_channels = maxima> seuil;
channel_rejection (:, i) = bad_channels;
Si la somme (bad_channels)> 0,2 * 128 % Si plus de 20% des chaînes sont au-dessus du seuil, l'époque est marquée pour le rejet
epoch_rejection (i) = 1;
autre
epoch_rejection (i) = 0;
fin
fin
si j == 1; % Ne sélectionnant que les époques qui ne sont pas marqués comme mauvais
EEG = pop_select (EEG, «procès», trouver (epoch_rejection == 0))
autre Canaux% de marques qui sont mauvais dans plus de 20% des époques après le rejet de l'époque de rejet de canal
bad_channels = moyenne (channel_rejection, 2)> 0,2;
EEG = pop_interp (EEG, trouver (bad_channels == 1), «sphérique»); % S'applique interpolation sphérique de mauvaises chaînes
fin
fin
Entrée pour l'étape 3.1.5 Description
EEG = pop_reref (EEG, []); % Calcule la moyenne de référence
Entrée pour l'étape 3.2.1 Description
channels = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % N170 droit % canaux occipito-temporal de l'hémisphère droit% des réponses N170 en utilisant les étiquettes de canaux pour l'% 128 canaux géodésique Hydrocel Sensor Net
EEG = pop_select (EEG, «canal», canaux); % Sélection des canaux
Virtual_channel = moyenne (EEG.data, 1); % En combinant les différents canaux à un canal virtuel
Entrée pour l'étape 3.3.2 Description
N170_peak = max (abs ((averaged_ERPs (0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2)); % D'amplitude maximale dans une fenêtre de latence pour chaque participant en mV
N170_peaklatency = 1000 * (trouver (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 % Temps de latence en ms
N170_mean = moyennes (averaged_ERPs:, 0,13 * 0,2 * srate srate: 0,2 * 0,2 * srate srate), [], 2); % Moyen amplitude en mV

Tableau 1. Commandes MATLAB pour mettre en œuvre ee exemple expérience et analyser les enregistrements EEG haute densité sur le canal et le niveau de source. Le tableau résume le code pour mettre en œuvre les visages brouillés vs faces exemple expérience. En outre, le code pour le traitement de la pré EEG brute est présentée. En outre, les méthodes d'extraction de caractéristiques de forme d'onde pour l'analyse au niveau du canal de la réponse liée à l'événement sont affichés.

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

Le présent article décrit l'enregistrement et l'analyse des EEG haute densité pour la reconstruction des générateurs corticaux utilisant des modèles d'éléments de frontière fondée sur l'âge des modèles d'IRM moyens appropriés et la profondeur pondérée estimation de norme minimale dans un paradigme ERP standard, adapté aux enfants. Dans ce paradigme, des photos de visages et des visages brouillés sont présentés. Différents auteurs ont utilisé ce paradigme pour étudier le développement de mécanismes de traitement de visage sur le développement 35. Au niveau de la voie, les déviations négatives par rapport au droit occipito canaux temporels sont décrits pour la condition de visage à la condition de visage brouillé. La topographie, la latence et la caractéristique de réponse sont conformes à la composante N170 34. Source précédente et simultanées enquêtes EEG IRMf indiquent que le gyrus fusiforme est un générateur probable de la réponse N170. Les résultats de l'analyse en cours montrent que la source inversion avec une limite pondérée de profondeurmodèle d'éléments (BEM) peut être utilisé pour localiser l'activité de la source dans le gyrus fusiforme dans la face brouillés visage paradigme au niveau de chaque participant. L'utilisation de modèles de tête basée sur l'anatomie du participant ou de l'utilisation de l'âge approprié moyenne analyses anatomiques pour les études de développement, dans lequel l'anatomie individuelle n'est pas disponible, permettra à la source la plus précise localisation 2. En outre, les régions d'intérêt peuvent être identifiés sur la base des connaissances anatomiques ou des algorithmes de parcellisation automatiques pour étudier la réponse de certaines régions corticales des événements liés.

Il existe plusieurs limites à la reconstruction de la source, en particulier dans des échantillons de développement, à l'heure actuelle. Tout d'abord, la reconstruction de source basé sur des modèles moyens pour différents groupes d'âge suppose que l'individu développement typique du cerveau pour leur âge chronologique, ce qui pourrait ne pas être nécessairement le cas, en particulier dans les groupes de patients. Pourexemple, différentes études décrites trajectoires atypiques dans la croissance du cerveau pour les enfants nés avant terme 36 ou 37 enfants atteints d'autisme. Il est difficile d'estimer comment ces différences anatomiques influent sur la précision de la solution inverse et biaiser les résultats des comparaisons entre les groupes de contrôle atypiques et typiques.

Deuxièmement, les modèles à terme comme le modèle des éléments de frontière (BEM) ne tiennent pas compte des inhomogénéités de conductivité dans des compartiments, par exemple, les différences entre matière grise et blanche. La précision des sources sous-corticales est donc limitée. solutions de Source ont été limitées à des sources corticales pour cette raison. Modèles éléments finis peuvent être appliquées pour la résolution plus précise des générateurs sous-corticales. Avec les solutions limitées au cortex, il est important de garder à l'esprit que l'activation dans les régions corticales peut refléter des mécanismes sous-jacents de causalité sous-corticales, par exemple, la communication de rétroaction via boucles thalamiques.Par conséquent, des inférences causales au sujet de la participation des régions corticales sont limités à moins plusieurs modèles complexes sont utilisés qui sont actuellement disponibles que pour l'anatomie adulte typique, par exemple, Dynamique causale modélisation 38,39.

En outre, les modèles d'éléments de frontière supposent coquilles fermées pour chaque compartiment. Toutefois, les jeunes enfants ont des taches douces dans leurs crânes, où les sutures entre les os du crâne ne sont pas entièrement fusionné 15. Cette violation des hypothèses BEM limite sévèrement l'applicabilité de reconstruction de source avec BEM chez les nourrissons de moins de 2 ans. Modèles éléments finis peuvent être utilisés pour la reconstruction de source dans cette tranche d'âge.

Troisièmement, même si les modèles de tête selon l'âge, ont été utilisés pour la reconstruction de la source, les valeurs de conductivité basées sur des échantillons adultes ont été utilisées pour modéliser la conductivité au sein de chaque compartiment. Cependant, la conductivité des tissus est susceptible de changer au cours du développement, par exemple., Paraugmente la densité osseuse 15. valeurs de conductivité pour des types de tissus utilisés dans BEM pour les nourrissons et les enfants de l'homme ne sont pas disponibles à notre connaissance.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les frais de publication de cet article ont été parrainés par électrique géodésiques, Inc.

Acknowledgments

Nous tenons à remercier M. John Richards, Université de Caroline du Sud, pour nous accorder l'accès à la base de données de développement IRM et des discussions utiles. Nous tenons également à remercier nos bailleurs de fonds de charité de Great Ormond Street Children, UCL Impact et grands défis.

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 Analyse de la source de haute densité EEG Recordings chez les enfants
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