Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

קליפת המוח ניתוח מקור בצפיפות גבוהה הקלטות EEG בילדים

doi: 10.3791/51705 Published: June 30, 2014

Summary

בשנים האחרונות, חלה התעניינות גוברת בהערכת המקורות בקליפת המוח של קרקפת נמדדו פעילות חשמלית לניסויי מדעי המוח הקוגניטיביים. מאמר זה מתאר כיצד EEG צפיפות גבוהה הוא רכש וכמה הקלטות מעובדות להערכת מקור בקליפת המוח בילדים מגיל 2 שנים במעבדת בייבי לונדון.

Abstract

EEG מתואר באופן מסורתי כטכניקת הדמייה עם רזולוציה מרחבית של זמן ונמוך גבוהה. ההתקדמות שחל באחרונה בדוגמנות biophysical ועיבוד אותות מאפשרות לנצל מידע משיטות הדמיה אחרות כמו MRI המבני המספקים רזולוציה מרחבית גבוהה כדי להתגבר על מגבלה זו 1. התכונה זו שימושית במיוחד עבור חקירות הדורשות רזולוציה גבוהה בזמן, כמו גם תחום המרחבי. בנוסף, בשל היישום קל והעלות הנמוכה של הקלטות EEG, EEG הוא לעתים קרובות את שיטת הבחירה בעבודה עם אוכלוסיות, כמו ילדים קטנים, שלא לסבול MRI הפונקציונלי סורקת היטב. עם זאת, על מנת לחקור בי מצעים עצביים מעורבים מידע, אנטומי מMRI המבני עדיין יש צורך. רוב חבילות ניתוח EEG לעבוד עם דגמי ראש סטנדרטיים המבוססים על האנטומיה של מבוגרים. הדיוק של מודלים אלה בעת שימוש לילדים מוגבל 2, כי שיתוףmposition ותצורה המרחבית של ראש רקמות שינויים דרמטי במהלך פיתוח 3.

במאמר הנוכחי, אנו מספקים סקירה של העבודה האחרונה שלנו בניצול מודלים ראש המבוססת על סריקות בודדות מבניות MRI או דגמים ספציפיים בראש גיל לשחזר גנרטורים בקליפת המוח של צפיפות גבוהה EEG. מאמר זה מתאר כיצד קלטות EEG נרכשות, מעובד, וניתחו עם אוכלוסיות ילדים במעבדה בייבי לונדון, כולל התקנת מעבדה, עיצוב משימה, עיבוד מקדים EEG, עיבוד ה-MRI, ורמת ערוץ EEG וניתוח מקור.

Introduction

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

הנשיא ברק אובמה תיארה את המוח האנושי כגבול הבא של עם חשיבות גבוהה גילוי מדעי לבריאות וכלכלה 3 (http://www.whitehouse.gov/share/brain-initiative). עם זאת, כמו בכל תחום אחר במדעי הטבע, מדעי המוח תלויים בהתקדמות בשיטות וטכניקות ניתוח להתקדמות. שני כלים פולשניים שאינם נפוצים במחקרים על תפקוד מוח בבני האדם הם הדמיה בתהודה מגנטית (MRI) וelectroencephalography (EEG). כלי אלה לנצל תכונות פיזיות שונות ולספק תובנות שונות לתפקוד מוח עם יתרונות וחסרונות ייחודיים. MRI משתמש בתכונות מגנטיות של מולקולות מים בתוך שדות מגנטיים כדי להשיג תמונות של רקמות חיות. הנושא צריך להיות ממוקם במגנט בעוצמה גבוה תחום. התנועה של המשתתף מוגבל בתקופה זו נהלים והמשתתף צריך לסבול רעש הנגרם על ידי שינויים מהירים במגנטיתחום. בנוסף תמונות מבניות, MRI מספק גם את האפשרות למדוד שינויים בחמצון דם כדי לחקור את תפקוד המוח (fMRI). לסיכום, ה-MRI מציעה רזולוציה מרחבית גבוהה יחסית של עד 0.5 מ"מ 3 עם סורקי שדות גבוהים מודרניים ופרמטרים אופטימליים 4. לעומת זאת, ההחלטה הזמנית של fMRI מוגבלת לקינטיקה האיטית של תגובת BOLD, אשר רק בעקיפין משקפת את הדינמיקה הזמנית הגבוהה של 5,6 פעילות העצבי.

מצד השני, ה-EEG מודדת את השינויים בפעילות חשמלית הנגרמים על ידי הפעילות של נוירונים באמצעות אלקטרודות המונחות על הקרקפת. ההתקדמות בטכנולוגיית ה-EEG מאפשרת יישום מהיר וקל של החיישנים לטווח קצר או לטווח ארוך ונייח, כמו גם הקלטות אמבולטורי. בגלל ה-EEG הוא פחות מגבילה, היא גם שיטת בחירה של אוכלוסיות משתתף מסוימות שלא לסבול את סביבת ה-MRI גם כמו ילדים ומסוימיםאוכלוסיות גריאטריות ופסיכיאטריות. המאפיינים של ה-EEG מראים דפוס הפוך לאלו של ה-MRI: הרזולוציה של הזמן היא גבוהה מאוד עם דיוק של האלפית שני, אבל ברזולוציה מרחבית מוגבלת. זרמים חשמליים עוברים דרך רקמות שונות בין מחוללם ואלקטרודות EEG על פני השטח של עור הקרקפת. זה מוביל לערבוב ומריחות המרחבי של פעילות מקור המכונה אפקט ההולכה נפח. לכן, פעילות נמדדת על ידי אלקטרודות על פני השטח של עור הקרקפת משקפת את הפעילות ממקורות מרובים שעשויה להיות רחוק למצב של האלקטרודה על 1,7 הראש.

הרבה עבודה בשנים האחרונות הוקדשה למיזוג של ה-MRI וה-EEG על מנת לנצל את נקודות החוזק שלהם. שורה אחת של עבודה מוקדשת לרכישה בו זמנית של EEG ו-MRI במחקרים פונקציונליים. גישה אחרת היא להשתמש במידע מרחבי הניתן על ידי MRI המבני לקחת בחשבון ג הנפחonduction השפעה דרך דוגמנות biophysical. השימוש במידע מבני לשיקום מקור של קלטות EEG שימושי במיוחד עבור מחקרים שכלל אוכלוסיית ילדים. החקירה של הפיתוח של תפקוד המוח היא מרכזית להבנת אופן מיומנויות קוגניטיביות מורכבות נבנו על גבי קודמיו פשוט 8.

חקירות אלה מסייעים להדגשת שינויים במצעים העצביים ומאפייני תגובה המתואמים עם שינויים בביצועים התנהגותיים. עם זאת, החקירה של תפקוד המוח וקוגניציה במהלך הפיתוח גם מציבה אתגרים ספציפיים. במיוחד, ההזדמנות למחקרי MRI פונקציונליים מוגבלת כילדים צעירים ותינוקות גם צריך להיות ישן או מסומם לקבל נתונים MRI ללא חפצי תנועה והשפעה שלילית על רווחת משתתף. יתר על כן, ה-EEG נתפס כפחות מסוכן ופולשני על ידי הורים, מה שהופך את גיוסם של משתתפים במחקר קל יותר. Therefore, EEG הוא שיטת בחירה של חקירות רבות של תפקוד המוח אצל ילדים צעירים. התקדמות המתודולוגית במערכות ה-EEG לאפשר היישום של מערכי האלקטרודה צפיפות גבוהה עם 128 או יותר ערוצים בתוך דקות. קלות היישום ולובש נוחות מספיקות כדי אפילו לאפשר הקלטת EEG בתינוקות הצעירים. עם זאת, לעתים קרובות חוקרים הם לא רק מתעניינים בדינמיקה הזמנית של תגובות לגירויים מסוימים, אלא גם רוצים להשוות את מצעים העצביים שמתווכים את התגובות.

הנחה רווחת בניתוח ה-ERP ברמת ערוץ השוואת קבוצות גיל שונות היא שאותו מצעים עצביים מגיבים, אבל זה העיתוי או משרעת תגובה משתנה על פני גילאי 9. טופוגרפיה קרקפת דומה משמשת לעתים קרובות כאינדיקציה לפעילות עצבית שבבסיס דומה. עם זאת, מקור תצורות רבות ושונות יכולות להוביל לטופוגרפיות קרקפת דומות 10. על ידי יישום להערכת מקור, זה uncertainty יכול להיות מופחת וכימות. עצמאותה של תצפיות היא קריטית עבור חשבונות הרשת של תפקוד מוח: אם המקורות מעורבים, מתאמים יהיו מוטים לכיוון קישוריות מקומית גבוהה יותר. שחזור המקור ניתן ליישם כדי להפחית את ההטיה זו 11. לחלופין, הבדלים בעיתוי ובשלב יכולים לשמש לניתוח קישוריות, אבל מודלים המתמטיים אלה דורשים הנחות שקשה להעריך בנתונים מדומים שאינם 12. לסיכום, להערכת המקור מספקת מידע נוסף לEEG רמת ערוץ וניתוח ה-ERP המבוסס על ידע על האנטומיה ומאפייני biophysical של רקמה.

אלגוריתמים שונים כבר המציאו כדי למצוא פתרונות לבעיה ההפוכה. אלגוריתמים אלה נופלים באופן כללי לשתי קטגוריות: ופרמטריות, שאינו 13. מודלים פרמטריים מניחים אחד או הדיפולים מרובים שעשויות להשתנות במיקום, כיוון וכוח. בניגוד לכך, מודלים contai פרמטרית שאינומספר גדול na של הדיפולים עם מיקום וכיוון קבועים. במודלים אלה, הפעילות החשמלית הקרקפת מוסברת כשילוב של הפעלות בדיפולים הקבועים 10,13,14. פרמטרית עישון, יכולים להיות מבוססים דגמי מקור מופצים בידע על האנטומיה ומוליכות באמצעי תקשורת שונה. מודלים גבול אלמנט לשלב ערכי מוליכות לרקמות העיקריות של הראש עם פגזים שונים למוח, נוזל השדרה מוחי, וגולגולת. זה מבוסס על ההנחה שהמוליכות היא בעיקר קבועה בתוך כל תא, אבל זה שינויים מסומנים להתרחש בגבול של תאים שונים. מודלים אלמנטים סופיים מבוססים על פילוח נוסף של סריקות MR לתוך חומר אפור ולבן, כך שערכי מוליכות יכולים להיות מוקצים לכל voxel 15.

במונחים מעשיים, מודלים פרמטריים שאינם שימושיים במיוחד לשיקום מקור במשימות קוגניטיביות מורכבות, שבו רשאי מספר האזורים המעורביםלא יהיה ידוע 10. מודלים אלמנט גבול הם בשימוש נרחב ביותר בספרות הנוכחית, כנראה בגלל שמודלי האלמנטים סופיים מדויקים יותר מהווים דרישות חישובית גבוהות comparably. יתר על כן, יש שונה בין אדם ניכר בחומר אפור ולבן, כך שFEMs צריך להיות מבוסס על סריקות MRI בודדות.

מודלים פרמטריים אינם דורשים שלב שני לפעילות נמדדה קרקפת התאמה לתחזיות של המודל קדימה. שוב, גישות שונות עם יתרונות וחסרונות שונים כבר נדונו בספרות (ראה מישל et al. 2004 עבור סקירה). האלגוריתמים הנפוצים ביותר מבוססים על הערכת מינימום נורמה (mne), אשר תואמת את הפעילות שנמדדה הקרקפת להפצה נוכחית במודל קדימה עם העצמה הכוללת הנמוכה ביותר 16. Mne מוטה כלפי מקורות חלשים ושטחיים. אלגוריתמי mne המשוקללים עומק לנסות ולצמצם את ההטיה פני השטח על ידי החדרת שקלולמטריצות המבוססות על הנחות מתמטיות 10. גישת LORETA שימוש נרחב מבוססת גם על mne המשוקלל, אלא גם מצמצם את Laplacian של מקורות, מה שמוביל לפתרונות חלקים 17,18. LORETA כבר מצא את ביצועים הטובים ביותר למקורות בודדים במחקרי סימולציה 19,20. עם זאת, LORETA עלול להוביל לעל החלקה של פתרונות. Mne המשוקלל עומק עדיף כאשר המקורות לא ידועים או ממקורות מרובים עשויים להיות נוכח 13, 16. השוואת התוצאות של אלגוריתמים שונים כדי להעריך את ההשפעה של הנחות מודל שונות מומלצת.

לסיכום, שחזור המקור באמצעות שיטות דוגמנות היה מוגבל לילדים עד לאחרונה. זאת משום שרוב תוכנת ניתוח EEG מסתמכת על מודלים ראש המבוססת על האנטומיה מבוגר שמגבילה באופן משמעותי את הדיוק של פתרונות קוד בילדים 2,8. הגישה זולה לכוח חישוב ומתןמשתמשים תוכנה ידידותית לשיקום מקור מאפשרת להתגבר על המגבלות האלה. החלת הערכת המקור לEEG מספקת שני יתרונות חשובים על פני ניתוח המבוססים על תצפיות ברמת הערוץ בודד: שיפור ברזולוציה ובעצמאות של תצפיות במרחב.

להערכת מקור לא יכולה להיות אינפורמטיבי במקרים מסוימים: כיסוי טוב של הראש נדרש להבחין מקורות. מערכות בצפיפות גבוהה עם 128 או יותר אלקטרודות מומלצות 10,15; כיסוי דליל יפעל כמסנן המרחבי המוביל להפעלת מקור התפשטות רחבה יותר או תוצאות שליליות כוזבות 10. יתר על כן, שחזור מקור המבוסס על השיטה המתוארת במאמר זה דווח רק על גנרטורים בקליפת המוח. לכן, הוא פחות מתאים להשערות בדיקות על מצעים קורטיקליים או אינטראקציות קורטיקליים בקליפת המוח. לבסוף, ניתוח המקור צריך להיות מבוסס על השערות מוקדמים מפורטות על מצעים בקליפת המוח,לוקח את הספרות הקיימת משיטות הדמיה אחרות בחשבון. גם טכניקות סינון מרחבי יכולות לשמש כדי לשפר את הרזולוציה המרחבית של אות ה-EEG על ידי הקטנת ערבוב המרחבית ברמת הקרקפת. שיטות אלטרנטיביים כדי להפחית את ההשפעה של תופעות הולכה נפח בלי דוגמנות הראש משמשות, למשל, סינון Laplacian 21 או ניתוח צפיפות המקור נוכחי 22. עם זאת, שיטות אלה אינן מספקים מידע נוסף על גנרטורים עצביים כמו תופעות הולכה נפח הן לא רק מוגבלות לחיישנים בקרבת מרחבי קרוב 1.

בסעיפים הבאים, המאמר מתאר כיצד ניסויים לחקירה של מוח ותפקוד קוגניטיבי בילדים מגיל 2 נועדו במעבדה בייבי לונדון. בשלב בא, נתוני רכישת EEG עם מערכות עכבה נמוכה בצפיפות גבוהה עם ילדים נדונה. ואז, עיבוד מקדים EEG וניתוח ברמת הערוץ מוצג. Lastly, המאמר מתמקד בעיבוד של נתונים MRI מבניים לשיקום מקור קליפת המוח וניתוח של אותות ברמת המקור.

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

ניסויי פוטנציאל 1. תכנון EEG ואירועים הקשורים לילדים

הערה: ניסוי פשוט נועד למטרות של מאמר זה שעשוי לשמש כדי לחקור עיבוד פנים בילדים צעירים. הסעיף הבא יתאר את הניסוי ולהסביר איך ליישם את זה באמצעות MATLAB R2012b וPsychtoolbox V3.0.11 23,24. תמונות שצולמו מסט NimStim של הבעות פן רגשיות 25 שימשו לדוגמא זו. סט גירוי זה זמין למטרות מחקר על פי דרישה (http://www.macbrain.org/resources.htm).

  1. העבר את תמונות RGB לאפור בקנה מידה כדי להפחית את ההבדלים בין גירויים. ראה טבלת 1 הערה:. פקודות אלו דורשות עיבוד תמונת ארגז כלים (http://www.mathworks.co.uk/products/image/). חלופות חינם ניתן למצוא through Exchange הקובץ (https://www.mathworks.co.uk/matlabcentral/fileexchange).
  2. השתמש בתוכנת שליטת ניסיון ליישם את הניסוי עם תזמון מדויק לטריגרים מצגת גירוי באמצעות סדרה של פקודות (ראה טבלת מס '1 לדוגמא).

2. רכישת נתונים

  1. ודא שהילד מרגיש בנוח עם סביבת הבדיקות. לאפשר לילדים צעירים לשבת על הברכיים של המטפל שלהם או במושב של ילד נוח. תן לילד לראות ולהרגיש את רשת החיישן לפני יישומו לראשו של הילד. אם יש ניכוי נוסף, שההורה גם לנסות אחד, או במקום אחד על בובה או הדובי ממולא.
  2. מדוד את היקף הראש המרבי כדי לבחור את גודל נטו הנכון עבור הילד. השתמש בסרט מדידה והחזק אותו לnasion. אז למדוד סביב הראש סביב ההיקף המרבי (~ 1ס"מ מעל לזיז). הערה: לשמור תיעוד של היקף הראש הנמדד ורשת החיישן המשמשת לניתוח מאוחר יותר 26. זה עוזר אם את הראש ההורים נמדד גם כדי להפוך את הילדים יותר בנוח עם המצב.
  3. זהה את הקודקוד של הראש בצומת של אמצע המרחק בין nasion וinion ונקודת periauricular ימין ועל שמאל. לסמן את הנקודה הזו עם עט בסין כדי להבטיח שערוץ הקודקוד ממוקם כראוי בעת יישום ברשת.
  4. החל רשת החיישן ולוודא שערוצים מרכזיים מיושרים עם ציוני דרך אנטומיים (nasion, inion, קודקוד וזיזים פטמתיים שמאל / ימין). הערה: לקבלת התוצאות מדויקות ביותר, את עמדתו של הערוצים על הראש ניתן לרכוש באופן דיגיטלי באמצעות ציוד דיגיטציה מיוחד. חוקרים המעוניינים לרכוש את מיקום החיישן יכולים לעיין במדריכי החומרה ותוכנה המתאימים. לחלופין, מפות אלקטרודה שמניחות מיקום סטנדרטי של אלקטרודות לאורך lan אנטומייםניתן להשתמש dmarks. יכולות להיות מעוותות המפות הללו לגיל דגמי ראש מתאימים, כמתואר בסעיף הניתוח.
  5. ודא שיש ערוצים קשר טוב עם הקרקפת על ידי מיקום החיישנים בנפרד; בעדינות לסובב את כל חיישן מצד לצד כדי להזיז את שיער מהדרך.
  6. למדוד רווחי ערוץ ועכבות ערוץ. לחץ על "התחל" כדי להתחיל את ההקלטה בתוכנת הקלטת NetStation EEG ולהתחיל רווח ומדידת עכבה. אם מדידה אינה אוטומטית להתחיל, השתמש ב" כיול מגבר "והכפתור" מודד עכבות נקי ".
  7. בדוק את תוכנת הקלטה לערוצים עם עכבות גבוהות יותר מאשר 50 kΩ אשר יופיע באדום. החל תמיסת אלקטרוליט נוספת עם טפטפת כדי להוריד עכבות ערוץ. בדוק את תצוגת ה-EEG לערוצים המציגים את פעילות בתדירות גבוהה למרות עכבה נמוכה ובולטת פחות פעילות מערוצים שמסביב (קו שטוח ערוצים). ערוצים אלה עשויים havדואר קשר רופף עם עור הקרקפת ודורשים הסתגלות.
  8. על מנת לשמור על ילדים נוחים בעת עריכת ה-EEG, לאפשר לילד להאזין למוסיקה, לצפות בסרט מצויר מתאים לגילם או להסיח את דעתם באמצעות ניסוי אחר, למשל, פיצוץ בועות סבון לפעוטות.

3. ניתוח

  1. עיבוד מקדים
    1. דיגיטלי לסנן את הנתונים עם מסנן מעביר גבוה עם חתך ליד 0.1 הרץ להסיר ערוץ נסחפת 27 (טבלה 1).
    2. לניתוח ה-ERP, להחיל מסנן מעביר נמוך עם חתך ליד 30 הרץ 27 (טבלה 1).
    3. אפוק נתונים רציפים על פי קודי ההדק מוגדרים במהלך הקלטה. עבור רוב הניסויים, להשתמש בבסיס של 200 אלפיות שניים לפני תחילת הגירוי ומרווח שלאחר גירוי של 600 אלפיות שניים כדי לכסות את מרווח ריבית (טבלה 1) הזמן.
    4. הסר תקופות המכילות חפצי תנועה או מצמוץ: סימן גhannels עם שיא לשיא משרעת גבוהה יותר מאשר 150 mV - להתאים את הסף זה בהתאם לקבוצת המשתתף ואיכות נתונים. לשם עקביות, להשתמש באותו סף לכל המשתתפים במחקר אחד. אם ערוץ הוא מעל לסף זה בלמעלה מ 30% מהעידנים, להסיר את הערוץ (פעילות ערוץ ניתן אינטרפולציה מערוצים שמסביב, אם אלה מכילים נתונים מקובלים). אם יותר מ20% מהערוצים מסומנים רעים כמו בעידן, הסר את העידן. אם יותר מ20% מערוצים נדחים על ידי האלגוריתם או פחות מ50% מתקופות נשמרים, שקלו להסיר את בסיס הנתונים מניתוח נוסף (טבלה 1).
      הערה: ספי אחוז לעידן ודחיית ערוץ הם דמויות אצטדיון שתסרנה כמות מספקת של רעש בניסיון שלנו. הסכום של חפץ בהקלטה עשוי להיות שונה באמצעות קבוצות אחרות משתתף, פרדיגמות ניסוי או מערכות ה-EEG. הנסיינים ייתכן שירצו להתאים את אחוזספים ולבדוק אם הם מרוצים מדחיית החפץ. לחלופין, הנסיינים יכולים לדחות את הניסויים המכילים חפץ באמצעות בדיקה ויזואלית.
    5. Re התייחסות להתייחסות ממוצעת על ידי הפחתת הפעילות הממוצעת בערוצים מכל ערוץ (טבלה 1). הערה: אלקטרודה הקודקוד משמשת בדרך כלל כהתייחסות להקלטה בNetStation.
  2. תיקון חפץ שימוש עצמאי ניתוח רכיב
    1. לייבא את הנתונים לתוך ארגז הכלים מהר יותר 28 ולהפעיל את האלגוריתם האוטומטי חפץ דחייה על הנתונים (טבלת 1).
    2. השתמש בממשק המשתמש הגרפי (GUI) למהיר יותר; כדי לפתוח את FASTER_GUI GUI, הקלד בשורת הפקודה.
    3. בטל את הבחירה באפשרויות הסינון בתפריט הסינון כנתונים כבר מסוננים לפני epoching.
    4. ציין את מספר הערוצים: 126 ערוצי EEG עם 2 electrooculagram ערוצים (EOG).
    5. הזן אתסמנים המשמשים לepoching נתונים כמחרוזות במערך תאים. למקרה שהוצג הזן: {'הפנים', 'scra'} על הפנים ותנאי פנים מקושקשות.
    6. בחר את הערוצים לניתוח המרכיבים העצמאי (רשפ"ת). בדרך כלל לבחור את כל ערוצי הקלטה, כולל. ערוצי ה-EEG שאינם חיצוניים.
    7. ציין את הקלט ופלט תיקייה בחלונית הימנית של ה-GUI.
    8. בחר את הקובץ בערוץ המתאים להקלטות. הערה: קבצי ערוץ עבור רוב מערכת ה-EEG יכולים להיות שהורדו מהיצרן או שניתן להוריד מאתר האינטרנט EEGLAB.
    9. לחץ על הפעל כדי להתחיל עיבוד מהיר יותר. בהתאם לאורך של הקלטות ואת מספר הקבצים, עיבוד זה יכול לקחת כמה שעות.
    10. ראייה לבדוק את ההקלטות, מפות מרכיב עצמאיות וERPs לאחר העיבוד.
  3. ערוץ ניתוח ברמה של נתונים פוטנציאלים הקשורים לאירוע
    1. לשלב מספר ערוצים כדי ליצור ג וירטואליhannel עם אות טובה יותר יחס רעש (טבלה 1). הערה: הבחירה של ערוצים צריכה להיות מבוססת על דוחות קודמים בספרות או השערות מראש. בחירת ערוצים המציגים את האמפליטודה הגבוהה ביותר בתוך חלון זמן נתון לא מומלץ 29.
    2. השג אמצעים כמו המשרעת שיא, אומר חביון משרעת והשיא לאפיין את צורת הגל ולבצע בדיקות סטטיסטיות (טבלה 1).
  4. יצירת מודלים גבול אלמנט (BEM)
    1. מגזר ה-MRI אנטומיים לסרוק עם FreeSurfer. הערה: לקבלת התוצאות מדויקות ביותר, לבסס את מודל אלמנט הגבול בסריקות MRI אישיות לכל משתתף. אם זה לא אפשרי, יש להשתמש בתבניות MRI ממוצעת התואמות את גילם של המשתתפים, ככל שניתן. שים לב שBEMs לא ניתן להשתמש לילדים מתחת 24 חודשים. מודלים אלמנט גבול להניח שכל פגז (מוח, גולגולת, עור) מורכב מקליפה סגורה. עם זאת, בyילדי oung fontanelles בגולגולת אינם סגורים, מה שפוגע בהנחת המעטפת הסגורה.
      1. על מנת להתקין תוכנת FreeSurfer, להוריד אותו מאתר האינטרנט הראשון FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall). בשלב הבא, להגדיר את סביבת המעטפת כוללת FreeSurfer; . לקובץ bashrc, כולל את הפקודות הבאות בקובץ קובץ bashrc.:
        1. יצוא FREESURFER_HOME = / יישומים / freesurfer /
        2. מקור FREESURFER_HOME $ / FreeSurferEnv.sh
          הערה: פקודות אלו מניחות שתיקיית FreeSurfer היא בתיקיית היישומים במערכת יוניקס. ישנם פרטים נוספים על אופן ההתקנה FreeSurfer עם סביבות חלופיות קליפה, למשל csh / tcsh, או מערכות הפעלה באתר האינטרנט של FreeSurfer (http://freesurfer.net/fswiki/DownloadAndInstall).
      2. בשלב הבא, להגדיר את נושא direcטורים, כלומר את התיקייה שהפלט יהיה כתובה לשימוש בפקודה הבאה:
        1. יצוא SUBJECTS_DIR = / ... / BEMs /
          הערה: התוצאות עשויות להיות כתובה לכל תיקייה במערכת.
      3. בשלב הבא, לשנות את ספריית העבודה לתיקייה המכילה את קובץ ה-MRI לאלמנט דגם הגבול באמצעות הפקודה הבאה:
        1. cd / משתמשים / joebathelt / Neurodevelopmental_MRI_database / ילדים / מוח /
          הערה: כל תיקייה במערכת עשויה להיות מוגדרת באמצעות התחביר של פקודת cd. זוהי דוגמא של מבנה קובץ חוקרים הראשי.
      4. לבסוף, להתחיל את הבנייה מחדש באמצעות הפקודות הבאות:
        1. recon-all-i <mri_file>-subjid <subject_id>
        2. recon-all-all-subjid <subject_id>
          הערה: <mri_file> צריך להיות מוחלף עם שם הקובץ של סריקות MRI הרצויות בספרייה הנוכחית. <subject_id> יכול להיות נציגשילב עם כל שם. FreeSurfer ייצור תיקייה בשם זה בספריית הנושא. בהתאם למערכת בשימוש, פקודות שעברה עשויות לדרוש קצת זמן כדי לרוץ.
    2. בדוק את פילוח FreeSurfer לפילוח שגוי, למשל. תחומים חופפים, מבחינה אנטומית תאים סביר וכו '. באמצעות יבוא המגזרים לסיעור המוחין ולהשתמש בכלים לתצוגה בממשק גרפי:
      1. בסיעור המוחין, בחר בחלונית אנטומיה. לייבא את ה-MRI המפולח על ידי לחיצה ימנית על הנושא ובחירה באפשרות "יבוא האנטומיה תיקייה". להבטיח את התיקייה עם תפוקת FreeSurfer נבחר. בדוק את הפילוח חזותי על ידי לחיצה ובחירה באפשרות "תצוגה" נכונה. הערה: לחלופין, ניתן להשתמש בפקודות FreeSurfer. ניתן למצוא תיאור מפורט באתר האינטרנט של FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. אם האזור של ניתוח ריבית המבוססת על חלוקה אנטומיים הוא רצוי, פונקציות FreeSurfer mris_ca_label, mri_annotation2label וmri_mergelabels ניתן להשתמש. עיין בפרסומי FreeSurfer ודפי עזרה מקוונים לקבלת מידע מפורט יותר.
  5. להעריך את פעילות המקור בBrainStorm
    1. התחל BrainStorm על ידי הקלדה "סיעור מוחות" בחלון הפקודה.
    2. יצירת פרוטוקול חדש על ידי בחירה חדשה פרוטוקול מתפריט הקובץ.
    3. הוספת Subj חדשect לפרוטוקול על ידי בחירת נושא חדש מתפריט הקובץ.
    4. יבוא נתונים EEG למשתתף על ידי לחיצה ימנית על הנושא ובחירה באפשרות "יבוא מג / EEG".
    5. יבוא קובץ ערוץ על ידי לחיצה ימנית ובחירה באפשרות "קובץ ערוץ היבוא". הערה: קובץ הערוץ צריך להיות מיושר לMRI לשיקום מקור. BrainStorm משתמש במערכת של 4 נקודות התייחסות אנטומיים שהמשתמש צריך לסמן בבדיקת MRI. נא עיין בהדרכות BrainStorm למידע נוסף (http://neuroimage.usc.edu/brainstorm/CoordinateSystems). המיקום הסטנדרטי כפי שהוגדר על ידי קובץ ערוץ למערכת ה-EEG מסוימת או, באופן אידיאלי, ניתן להשתמש בעמדות הראש שדיגיטציה לפני הקלטת EEG.
    6. בדוק שBEM והערוצים ליישר כצפוי: לחצו לחיצה ימנית על קובץ הערוץ לנושא ולנווט אל "רישום MRI" ו "; בדוק ". הערה: אם הספירות בתוך המודל חופפים או אם הערוצים נמצאים בBEM, שיקום המקור יפיק תוצאות שגויות. התאם את היישור על ידי שימוש באפשרות "ערוך" בתפריט "פילוח MRI".
    7. לחשב את מטריצת השונות המשותפת רעש מהבסיס של כל תקופה על ידי לחיצה ימנית על המשתתף ובחירה "השונה המשותף מטריקס רעש" ו "חישוב מהקלטה". שים לב: המחברים של ארגז הכלים BrainStorm ממליצים להשתמש מטריצה ​​אלכסונית רעש שונות משותפת להקלטות קצרות (~ נקודות זמן פחות מערוצים) ומלא אחד להקלטות ארוכות יותר. נא עיין במדריך BrainStorm מקור הערכה לקבלת מידע נוסף: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation.
    8. לחשב את דגם המקור על ידי לחיצה ימנית על הנושא ובחירת comput "מודל קוד דואר ".
    9. לחשב את הפתרון ההפוך באמצעות עומק משוקלל מינימאלית נורם הערכה על ידי לחיצה ימנית על הנושא ובחירה באפשרות "לחשב מקור" ו "הערכת נורמה מינימאלית". הערה: אפשרויות אחרות (dSPM, sLORETA) הנן זמינות. לכל אחד יש אפשרות יתרונות וחסרונות שונים. האלגוריתם צריך להיות נבחר על בסיס שיקולי פריורי ודיווחים קודמים בספרות. יתר על כן, חלק מהאלגוריתמים טובים יותר בפתרון הפעלת המוקדים באזורים מסוימים, בעוד שאחרים הם יותר מתאימים להפעלת התפשטות רחבה. Mne שימש למחקר זה מבוסס על דיווחים קודמים בספרות 16. לשם עקביות, אותו האלגוריתם לפתרון הפוך אמור לשמש עבור כל המשתתפים במחקר אחד. חוקרים ייתכן גם רוצים להשוות כמה ממצאים חזקים הם ליישום של אלגוריתמי פתרון הפוך שונים.
    10. חזור על סעיף 3 לכל המשתתפים במחקר. הערה: או להשתמש בgraממשק מינון phical או סקריפטים לחזור על שלבי עיבוד למשתתפים. עיין בתיעוד של BrainStorm להוראות (http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript).
    11. פעילות ממוצעת המקור על ניסויים למשתתפים על ידי גרירת ההקלטות לתפריט התהליך ובחירה באפשרות "ממוצע" ו" על ידי תנאי (ממוצע נושא) ".
    12. השוו את מצבו על ידי בחירה "התהליכים 2" וגרירת כל תנאי בחלון אחד. לאחר מכן, בחר "מבחן" ואת "מבחן t של הסטודנט" או "מבחן t של הסטודנט (לזווג)" בהתאם לעיצוב. כדי לבצע השוואות מרובות, משרעת להגדיר וספי אזור בתצוגה של המפה הסטטיסטית וכתוצאה מהתפריט "Stat". הערה: לחלופין, ניתן לייצא מפות ההפעלה לSPM (http://www.fil.ion.ucl.ac.uk / SPM /) לניתוח מעמיק יותר סטטיסטי (http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12").
    13. חשב את התגובה הקשורים לאירוע לאזור של עניין. לROIs פרצלציה מבוססת, טען פרצלציה FreeSurfer על ידי לחיצה ימנית על פני השטח הקליפה בתפריט האנטומיה ובחר "תוויות יבוא". נווט בקובץ המתאים ולטעון אותו. כעת, בחר את ההחזר על ההשקעה בחלונית "הצופים" של תפריט נתונים התפקודי.
    14. השג את פעילות אירוע הקשור החזר על ההשקעה על ידי גרירת קבצים לחלון תהליך 1 ובחר "חלץ סדרות עתיות סקאוט" מתפריט המקורות. הערה: ניתן לבחור בכמה ROIs בו זמנית וסדרת זמן ההחזר על ההשקעה יכולה להיות מיוצאות למזימות וניתוח נוספים על ידי לחיצה ימנית על זמן הסקאוטסדרת נתונים ובחירה באפשרות "יצוא לMatlab".

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

ניסויי ERP עיצוב עבור תינוקות וילדים הוא לעתים קרובות מאתגרים, בגלל הקיבולת המוגבלת שלהם לסבול ניסויים חוזרים ונשנים ארוכים 30. בעיה זו מחריפה עוד יותר כאשר הנסיין מתכנן להחיל שחזור מקור, כי שיקום מקור מדויק ידרוש אות גבוהה יחס רעש 1. איור 1 מציג פרוטוקול ניסוי לחקירה של מנגנוני עיבוד פנים, שניתן להשתמש בו עם ילדים צעירים מאוד. הפרדיגמה מותאמת ל) למזער מצמוצי עיניים ותנועות עיניים בעת הצגת גירוי, משום שילדים יהיו פחות מסוגלים לשלוט בתנועות עיניים מאשר מתנדב בוגרים ב) לבצע הניסוי מרתק יותר על ידי הוספה בלוכדי תשומת לב לאחר הפסקת גירוי היתר. מצמוצי עיניים ותנועות עיניים נשלטים על ידי הצגת צלב קיבעון זמן קצר לפני הגירוי כדי למשוך תשומת לב למרכז המסך. יתר על כן, משך הגירוימוגדר 500 אלפיות שני, המאפשר תפיסה מודעת של הגירוי תוך מזעור הזמן לסריקת התמונה עם תנועות עיניים. למשוך את תשומת הלב מורכבת מתמונה ידידותית לילדים מוצגת עם קול בו זמנית. בחירה של גירויים למשוך את תשומת לב שונים אקראית ניתן להשתמש כדי לשמור את המשימה מעניינת עבור הילד. המשפט הבא יכול להיות נכתבו על ידי הנסיין, כאשר ברור ממערכת הניטור שהילד הוא מחפש שוב במרכזו של המסך. בנוסף, ניתן להשתמש בו סיפורים כדי לעזור לילדים גדולים יותר לטפל במסך. זה בדרך כלל מועיל לתרגל משימות עם ילדים לפני הקלטת EEG לוודא כי הילד מבין את המשימה. שאלות הקרנה או ציונים שהושגו בתרגול יכולות לשמש כמשתנים בניתוח מאוחר יותר.

בעת חישוב מספר החזרות הדרושות לניסוי, חשוב להביא בחשבון שמחקרים רבים עלולים ללכת לאיבוד בשל חוסר תשומת לב oחפץ תנועת r בעבודה עם ילדים. ככלל אצבע, את המספר הדרוש של חזרות צריך להיות מוכפל בהשוואה למחקרים מבוגרים או לגייס מספר גדול יותר של משתתפים. טווח הקשב ושיתוף הפעולה מוגבל בילדים בהשוואה למבוגרים. לכן, לשמור על הצרכים הספציפיים של ילדים בחשבון בעת ​​תכנון המשימה. משימה ארוכה יכולה להיות שבורה לכמה בלוקים של משימות קצרות יותר עם הפסקות באמצע. בדרך כלל, מספר התנאים שניתן לכלול בניסוי הוא קטן יותר עבור ילדים צעירים מאוד, שכן הם לא יוכלו לשתף פעולה לתקופות ארוכות יותר הדרושות כדי להשיג ניסויים מספיקים לתנאי גירוי רבים.

הנתונים שהוצגו מבוססים על הקלטה עם ילד בן 6 (6 שנים 3 חודשים). מודל הראש היה מבוסס על תבנית MRI ממוצעת של 6 ילדים בני 31 ב. איור 5 מראה אירוע ברמת הערוץ קשורים תגובות פוטנציאליות (ERP) אל פנים ומקושקשים גירויי פנים. Waveform של ERP על ערוצים האחוריים מציג את הדפוס הצפוי של סטיה חיובית ואחרי סטיה שלילית וסטייה חיובית רחבה שלאחר מכן. בהתבסס על הטופוגרפיה, כמובן הזמן וטבעו של הפרדיגמה, סטיות אלה עשויים לייצג את P100, N1 ומרכיב פוטנציאל חיובי באיחור. יתר על כן, הסטייה השלילית המוקדמת היא גדולה יותר באופן משמעותי לגירויי פנים בהשוואה לפרצופים מקושקשות. לכן, זה עשוי לשקף את מרכיב N170 הספציפי פנים. המפות טופוגרפיות באיור 5 מראות את חלוקת המתח בין 250 ו300 אלפיות שניים. מתח שלילי עם מקסימום על ערוצים הנכונים occipito-זמניים במצבו הפרצופים הוא מאליו.

איור 6 מציג את ההשוואה הסטטיסטית של פעילות המקור החזויה מבוסס על מודל סטנדרטי למבוגרים ראש ומודל ראש בגיל מתאים. שחזור המקור היה מבוסס על מודל גבול אלמנט (BEM) עם עומק המשוקללהערכת מינימום נורמה (wMNE) ורעש מלא מטריצת שונות משותפת בסיעור המוחין נ 3.1 32. ברירת המחדל של משרד התשתיות הלאומי Colin27 BEM שימש כמודל למבוגרים. פעילות המקור הייתה בממוצע לאורך זמן בין 250 ו300 אלפיות שניים בקנה אחד עם תגובות ספציפיות פנים ברמת הערוץ.

המפה מציגה את התוצאות של השוואת מבחן t סטודנטים בין הפרצופים ומצב פנים מקושקשות תיקנו להשוואות מרובות תוך שימוש בשיעור גילוי שווא (רוזוולט). התוצאות מראות הפעלת מקור חזקה יותר באופן משמעותי על פני האונה הטמפורלית בפרצופים בהשוואה למצב פני המקושקשות. הלוקליזציה באמצעות המודל המתאים לגילם היא מוקד יותר עם הבדלים חזקים על פני השטח הגחון של הקליפה הזמנית. לוקליזציה המבוססת על מודל הראש הבוגר יותר להתפזר ומראה הבדלי פעילות המקור על המדיאלי תקין וgyrus הזמני מעולה שהוא בעיקר נעדרו על המפה המבוססת על מודל הראש בגיל המתאים.

איור 1

איור 1. דוגמא לתפיסת פנים להתנסות מתאימה על פני טווח גילים רחב הניסוי מורכב ממצגת ויזואלית של תמונות של פרצופים או פרצופים מקושקשות. הגירויים זהים מבחינה פיזית, אבל הסידור המרחבי הוא אקראי במצב המקושקשת. כל משפט מתחיל עם הצגה של צלב קיבעון מרכזי כדי למזער את תנועות עיניים בעת הצגת גירוי. משך הצגת צלב הקיבעון הוא באופן אקראי, כדי למנוע השפעות של entrainment על חזרות מרובות. הגירוי מוצג על פני משך 500 אלפיות שניים. זמן הקצר גם למזער את הסיכוי לתנועות עיניים במהלך חלון המצגת. גירוי תופס את תשומת לב מוצג לאחר הפסקת ניסוי השאר עם משך אקראי בין 1 שניות ו -2 שניות. בחוטף tention הוא שימושי במיוחד עבור משתתפים צעירים מאוד שאינם צפויים להשתתף בניסויים רבים של חומר מרתק שאינו ברצף. הניסוי יכול להתחיל את המשפט הבא, כאשר המשתתף הוא מחפש על המסך בתגובה ללמשוך את תשומת הלב.

איור 2
איור 2. תרשים זרימה לאלגוריתם דחיית סף. האלגוריתם משווה את המקסימום של כל אחד מערוצי ה-EEG בכל תקופה לסף שנקבע. אם ערוץ מכיל פעילות המרבית מעל הסף, הערוץ מסומן כרע. אם יותר מ20% מערוצים הם רעים בתקופת נתונה, העידן נדחים. לאחר דחיית עידן, הפעילות המרבית בכל ערוץ בהשוואה לסף שוב. אם ערוץ מכיל פעילות מעל הסף בלמעלה מ 30% מכל התקופות, הערוץ נדחה. אם יותר מ20% מערוצים נדחים על ידי הליך זה או פחות מ50% מתקופות למצב נותרים לאחר דחיית עידן, בסיס הנתונים צריכים להיות מחוץ ניתוח נוסף. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 3
איור 3. תיקון חפץ אוטומטי באמצעות ארגז הכלים מהר יותר 28. איור מציג אפשרויות שצריכות להיות שונה כדי להשתמש בארגז הכלים המהירים יותר עם ​​ההתקנה וצינור עיבוד המתואר במאמר זה:.. 1 סינון צריך להיות נכה, כי בסיס הנתונים כבר מסונן 2 מספר הערוצים צריך להיות מותאם. יש מערכת ה-EEG בשימוש במאמר זה 126 ערוצים עם2 ערוצי EOG. 3. אירוע-סמנים לזמן נעילת צורך להיות כפי שצוין במערך תאים של מחרוזות. 4. חלון הזמן לתגובה הקשורה לאירוע צריך להיות מסופק. זה חייב להיות זהה לחלון בשימוש בצעד epoching קודם לכן. 5. המשתמש צריך להגדיר ערוצים לניתוח המרכיבים העצמאי (רשפ"ת). ברוב המקרים, זה כולל את כל ערוצי ה-EEG וערוצים חיצוניים רלוונטיים כמו ערוצי העיניים (EOG). 6. המדדים של ערוצי עין גם צריכים להיות מותאמים למערכת ה-EEG בשימוש. למערכת ה-EEG תוארה, אלה יהיו ערוצים 125 ו128. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 4
Figure 4. ניתוח המקור בסיעור המוחין 32. 1. לאחר היבוא במערך ה-EEG ומשטחי FreeSurfer, אלמנט דגם הגבול (BEM) יכול להיות מחושב על ידי בחירה "מודל ראש Compute" בתפריט "המקור". 2. מטריצת השונות המשותפת רעש ניתן לחשב מההקלטות על ידי בחירה "שונות משותפת רעש מחשוב". אם ההקלטה היא מספיק זמן, כלומר יותר נקודות זמן מחיישנים, ניתן לחשב את מטריצת השונות המשותפת המלאה, אחרת מטריצה ​​אלכסונית מומלצת. 3. לאחר חישוב מודל הראש ומטריצת שונות משותפת רעש, זה אפשרי להשיג הפתרון ההפוך. ניתן להשתמש באלגוריתמים שונים. העומק המשוקלל מינימאלית נור הערכת אלגוריתם (wMNE) שימש למאמר זה. 4. במהלך פעילות מקור באזורים של עניין (ROI) בזמן יכול להיות חילוץ, על ידי בחירה ו "חלץ הסדרות עתיות סקאוט" rom תפריט "המקור". ROIs מפרצלציה קליפת המוח האוטומטית בFreeSurfer שימשו לדוגמא זו. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 5
תגובת איור 5. אירוע הקשור פוטנציאלים (ERP) אל פנים ומקושקשים גירויי פנים על זכות occipito ערוצים זמניים. ERP מראה סטיה שלילית יותר בין 130 ו220 אלפיות שניים אחרי הופעת גירוי בצד ימין לפרצופים בהשוואה לפרצופים מקושקשות. מאפיינים אלה עולים בקנה אחד עם דיווחים קודמים על מרכיב N170 33. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

ove_content "עבור: together.within-לשמור על עמודים =" תמיד "> איור 6
איור 6. השוואה של לוקליזציה המקור בין מודל ברירת מחדל למבוגרים ראש ומודל ראש מתאים. השורה העליונה של איור מציגה את colin27 מודל ראש גבול המבוגרים משרד התשתיות הלאומית בצד השמאל ומודל ראש בגיל מתאים המבוסס על חלוקת FreeSurfer של ממוצע תבנית ה-MRI לילדים 6 בן בצד הימין. מיקומם של מקומות האלקטרודה coregistered גם מוצגים. ההקלטה הייתה מתקבלת מילד בן 6 (6 שנים 3 חודשים). הצג תוצאות בשורה השנייה והשלישית של השוואה סטטיסטית בין מפות הפעלה של שחזור מקור mne בפרצופים בהשוואה למצב פני המקושקשות המבוסס על מבחן t המתוקן להשוואה מרובה באמצעות שיעור גילוי שווא (רוזוולט). המפה בצבע ממחישה את גודל ההשפעה באדום המצביע על פעילות גבוהה יותרבמצב הפנים והכחול מראה פעילות גבוהה יותר במצב הפנים המקושקשת. שים לב שאין ספי משרעת או גודל יושמו. הלוקליזציה מופיעה מוקד יותר על פני השטח הגחון של המוט הזמני באמצעות מודל הראש בגיל המתאים בהשוואה למבוגרי BEM. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

איור 7
איור 7. מקור ERP של הפיתול הדמוי הכישור הנכון בתגובה לפרצופים ומקושקש פרצופים המבוססים על שחזור מקור הקלטה מתקבלת מילד בן 6 (6 שנים 3 חודשים) באמצעות גיל BEM המתאים עם mne ERP המקור להראות יותר סטיה שלילית סביב 250 אלפיות שניים אחרי הופעת גירוי במצב הפנים בהשוואה ליםcrambled עומד בפני מצב. פעילות זו עשויה לשקף את תרומתו של הפיתול הדמוי כישור הזכות לרכיב N170 במצב הפרצופים.

<td>
קלט עבור שלב 1.1 תיאור
input_image = imread ('/ משתמשים / some_user / תמונות / example.jpeg'); % קריאת התמונה
gray_image = rgb2gray (input_image); % העברה מRGB לאפור בקנה מידה
שמירה בשם (gray_image, 'grey_image.tiff') % שמרו את התמונה חדשה
קלט עבור שלב 1.2 תיאור
קוד לדוגמא:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
ניקיון%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
CLC משתני סליקת% מסביבת העבודה
לנקות את כל
סגור את כל % הגדרת תקן שמע למצב השהיה נמוך
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
משתנים%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = "C: Documents and Settings Users המעבדה ERP My Documents MATLAB Faces_Houses '; % המגדיר את ספריית העבודה
netstation = 1;
% זו מחליפה את תקשורת עם תוכנת צריבת NetStation EEG
% המגדיר את מספר הניסויים
no_of_trials = 80; % מאחדים מקלדת שמות לניידות קלה betwגרסאות een יוניקס ו-PC
KbName ('UnifyKeyNames') % הגדרה משתנים ללחיצות מקשות בריחה
escapeKey = KbName ('בריחה');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% גירויים טוען
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = strcat ("C: Documents and Settings Users המעבדה ERP My Documents MATLAB Faces_Houses הפנים '); % אספקת התיקייה עם תמונות גירויים
קבצים = dir (face_directory); % יצירת רשימה עם כל גירויי התמונה
פרצופים = {files.name};
פרצופים (1:2) = [];
לוכדי = dir ('/ משתמשים / joebathelt / Dropbox / preterm_oddball / גוזלי /'); </ Td>
= גוזלי {grabbers.name};
גוזלי (1:2) = [];
grabber_sounds = ('/ משתמשים / joebathelt / Dropbox / preterm_oddball / נשמע /') בימוי;
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% החל הניסוי
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
אם == netstation 1; NetStation ('חבר', '194 .82.245.131 ', '55513') סנכרון% עם תוכנת הצריבה
NetStation ('סינכרון', 10) סנכרון% בתוך 10 אלפיות השניים של דיוק
NetStation ('StartRecording') % מתחילה את ההקלטה
סוף
% הגדרת המסך
screenNum = 0; % מספר זיהוי של מסך מצגת
% הגדיר את חלון להצגת גירוי
[Display.w, display.rect] = מסך ('OpenWindow', screenNum, 0);
[WPtr, rect] = מסך ('OpenWindow', screenNum); % מסתיר את סמן העכבר
HideCursor;
שחור = BlackIndex (wPtr); % הגדרת הרקע לשחור
מסך ('FillRect', wPtr, שחור); % הגדיר את הגופן ואת גודל גופן להצגת טקסט
מסך ('TextFont', display.w, 'Arial');
מסך ('TextSize', display.w, 32);
מסך ("סגנון טקסט ', display.w, 0);
עבור i = 1: no_of_trials
FlushEvents
מערבל = רנדי (2);
% באקראי בחירת תמונה למשוך את תשומת לב
attention_grabber = imread (strcat (input_folder, "גוזלי / ', cell2mat (גוזלי (רנדי (אורך (גוזלי))))));
[צלילים, FS, nbits] = wavread (strcat (input_folder, 'נשמע /', cell2mat (grabber_sounds (רנדי (אורך (גוזלי))))));
audio_handle = PsychPortAudio ("פתוח", [], [], 0, FS, אורך (צלילים (1, :)));
נשמע = צלילים '; % באקראי בחירת צליל למשוך את תשומת לב
PsychPortAudio ('FillBuffer', audio_handle, צלילים);
% הגדרת מצגת קול
גירוי = strcat (face_directory, פרצופים (רנדי (אורך (פרצופים))));
גירוי = imread (cell2mat (גירוי)); % זה randomises המצגת של פרצופים ומקושקשים פרצופים
אם המערבל == 2; % טעינת הגירוי שנבחר באופן אקראי מתוך הרשימה של גירויים
גירוי = הגירוי (randperm (אורך (גירוי (:, 1))), randperm (אורך (גירוי (1, :))));
סוף % ערבול מטריצת הגירוי, אם המשפט הוא משפט מקושקשת
סטים = מסך ('MakeTexture', wPtr, כפול (גירוי)); גירוי%
% הכנת הגירוי למצגת
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
משפט%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% סעיף זה הוא רלוונטי רק למשפט הראשון
אם אני == 1;
[NX, ניו יורק, תיבה] = DrawFormattedText (wPtr, 'מקש כלשהו כדי להפעיל לחץ על "," מרכז "," מרכז ", [255 255 255]);
מסך ('FrameRect', wPtr, 0, תיבה);
[VBLTimestamp StimulusOnsetTim] = מסך ('פליפ', wPtr); % למשפט הראשון, "לחץ על מקש כלשהו כדי להתחיל" הטקסט מוצג עד מקש נלחץ
KbWait ([], 2);
[NX, ניו יורק, תיבה] = DrawFormattedText (display.w, "," מרכז "," מרכז ", 255); % מסך ריק
מסך ('FrameRect', display.w, 0, תיבה); [VBLTimestamp StimulusOnsetTim] = מסך ('פליפ', wPtr);
סוף
% צלב קיבוע
[NX, ניו יורק, bbox] = DrawFormattedText (wPtr,, "מרכז" '+', "מרכז", 255);
מסך ('FrameRect', display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = מסך ('פליפ', wPtr); % הכנת סימן חיבור לבן במרכז המסך כמו צלב הקיבוע
אם == netstation 1; % הצגת צלב הקיבוע
NetStation ('אירוע', 'תיקון +',, StimulusOnsetTim) סוף
% שליחת הדק עם חותמת הזמן של מצגת צלב הקיבעון ו" תיקון + "הקוד לתוכנת הקלטת EEG
% הגבלת זמן מצגת של צלב הקיבוע לזמן אקראי בין 0.15 ו0.2 שניות
% Stimulus % הצגת הפנים או מקושקשת גירוי פנים
מסך ('DrawTexture', wPtr, סטים);
[VBLTimestamp StimulusOnsetTim] = מסך (wPtr, 'פליפ');
אם == netstation 1; % שליחת הדק עם חותמת זמן וקוד "פנים" או פניו של scra 'לתוכנת הקלטת EEG
אם == המערבל 1;
NetStation ('אירוע', 'הפנים', StimulusOnsetTim)
== מערבל elseif 2;
NetStation ('אירוע', 'scra',, StimulusOnsetTim)
סוף
סוף
WaitSecs (0.5) % משך גירוי גבול ל500 msec
% הצגת מסך ריק
[NX, ניו יורק, תיבה] = DrawFormattedText (wPtr, "," מרכז "," מרכז ", 255); % מסך ריק
מסך ('FrameRect', wPtr, 0, תיבה);
[VBLTimestamp StimulusOnsetTim] = מסך ('פליפ', wPtr);
WaitSecs (1 + rand (1)) % מרווח משפט השאר עם משך זמן אקראי בין 1 שניות ו -2
% למשוך את תשומת לב % להציג למשוך את תשומת לב עם קול
מסך ('DrawTexture', wPtr, חוטף);
נשמע = PsychPortAudio ("התחל", audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = מסך ('פליפ';, WPtr);
אם == netstation 1;
NetStation ('אירוע', 'grbr', StimulusOnsetTim) % לשלוח את חותמת הזמן וקוד ללמשוך את תשומת הלב לתוכנת הצריבה EEG
סוף
% להציג למשוך את תשומת הלב ולהישמע עד מקש במקלדת נלחץ
KbWait ([], 2);
PsychPortAudio ("עצור", audio_handle);
מסך ('FrameRect', display.w, 0, תיבה); % לבטל את הניסוי, אם מפתח הבריחה נלחץ
[VBLTimestamp StimulusOnsetTim] = מסך ('פליפ', wPtr);
[KeyIsDown, timeSecs, keycode] = KbCheck; אם keyIsDown
אם keycode (escapeKey)
SCA
NetStation ('StopRecording')
שיבה
סוף
סוף % לסגור את הניסוי ולהפסיק את הקלטת EEG בסוף הניסוי
סוף
מסך ('CloseAll');
אם == netstation 1;
NetStation ('StopRecording')
סוף
קלט לצעד 3.1.1 תיאור
OUTEEG = pop_eegfilt (INEEG, 0.1, []); נתונים לאחר הסינון, כלומר% OUTEEG = EEG. פלט פונקציה
הנתונים לפני הסינון, קלט פונקציה כלומר% INEEG = EEG
% 0.1: תדירות מנותקת גבוה לעבור
% []: נמוך לעבור חתוכים, לא מוגדר, כי גבוה לעבור סינון הוא רצוי
קלט לצעד 3.1.2 תיאור
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: גבוה לעבור מנותק, לא מוגדר, כי מסנן מעביר נמוך הוא רצוי
30%: תדירות חתוכים נמוך לעבור
קלט לצעד 3.1.3 תיאור
OUTEEG = pop_epoch (INEEG, 'אירוע', {'הפנים', 'scra'}, [-0.2 0.6]); % Epoching
% 'אירוע', {'הפנים', 'scra'}: הפונקציה אמרה לך להשתמש "פנים" אירועי ההדק ו'scra 'כזמן נעילת סמנים. גורמים אלה הוגדרו בתסריט הניסוי, כדי לסמן את תחילתה של פנים ומקושקשים Sti פניםתחילת מצגת mulus.
% [-0.2 0.6] = חלון זמן לERP מ0.2 שניות לפני אירוע נעילת הזמן 0.6 שניות
OUTEEG = pop_rmbase (EEG, [-0.2 0]); % הסרת הבסיס
חלון זמן תחילת המחקר, כלומר 0.2 שניות לפני אירוע נעילת הזמן לזמן נעילת אירוע:% [-0.2 0]
קלט לצעד 3.1.4 תיאור
פונקציה [EEG] = threshold_rejection (EEG, סף) הגדרת פונקצית%, הפונקציה דורשת מבנה בסיס נתוני EEG וסף בμV
עבור j = 01:02
עבור i = 1: אורך (EEG.data (1,1, :)) % זה הלולאות עובר את כל התקופות בערכת נתונים EEG ניתנה
נתונים = EEG.data (:,:, i);
נתונים = נתונים - ממוצע (נתונים, 2); % חיסור הדואר מתכוון פעילות, כדי למנוע את השפעתם של שינויים משרעת
מקסימום = מקסימום (שרירי הבטן (נתונים '))'; % זיהוי הפעילות מוחלטת המרבית בכל הערוצים
bad_channels = מקסימום> סף;
channel_rejection (:, i) = bad_channels;
אם הסכום (bad_channels)> 0.2 * 128 % אם יותר מ20% מערוצים הם מעל הסף, העידן מסומן לדחייה
epoch_rejection (i) = 1;
אחר
epoch_rejection (i) = 0;
סוף
סוף
אם == j 1; % בחירה רק תקופות שאינם מסומנות כרע
EEG = pop_select (EEG, 'משפט', למצוא (== epoch_rejection 0))
אחר ערוצי סימן% שהם רעים בלמעלה מ 20% מעידנים לאחר דחיית עידן לדחיית ערוץ
bad_channels = ממוצע (channel_rejection, 2)> 0.2;
EEG = pop_interp (EEG, למצוא (bad_channels == 1), 'כדורי'); % תחול אינטרפולציה הכדורית לערוצים רעים
סוף
סוף
קלט לצעד 3.1.5 תיאור
EEG = pop_reref (EEG, []); % מחשבים את ההתייחסות הממוצעת
קלט לצעד 3.2.1 תיאור
= ערוצי {"E84", "E89", "E90", "E91", "E94", "E95", "E96 '}; % N170 תקין ערוצי Occipito-זמניים% מ% האונה הימני לתגובות N170 באמצעות תוויות ערוץ ל% 128 ערוצים הגיאודזית Hydrocel חיישן נקי
EEG = pop_select (EEG, "ערוץ", ערוצים); % בחירת הערוצים
Virtual_channel = ממוצע (EEG.data, 1); % שילוב הערוצים הבודדים לערוץ וירטואלי
קלט לצעד 3.3.2 תיאור
N170_peak = מקסימום (שרירי הבטן ((averaged_ERPs (0.13 * +0.2 srate srate: 0.2 * +0.2 srate * srate), [], 2)); % המשרעת מקסימלי בתוך חלון זמן אחזור לכל משתתף בμV
N170_peaklatency = 1000 * (למצוא (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 % חביון שיא באלפיות שני
N170_mean = ממוצע (averaged_ERPs:, 0.13 * srate * +0.2 srate: 0.2 * +0.2 srate * srate), [], 2); % ממוצע במשרעת μV

טבלת 1. MATLAB פקודות ליישום הדואר דוגמא ניסוי ולנתח קלטות EEG בצפיפות גבוהה בערוץ וברמת המקור. הטבלה מסכמת את הקוד כדי ליישם את הפרצופים לעומת מקושקשת דוגמא ניסוי פרצופים. יתר על כן, את הקוד לטרום עיבוד EEG הגלם מוצג. בנוסף, שיטות לחילוץ מאפייני גל לניתוח ברמת הערוץ של התגובה הקשורים לאירוע מוצגות.

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

המאמר הנוכחי מתאר את ההקלטה וניתוח של צפיפות גבוהה EEG לשיקום של גנרטורים בקליפת המוח תוך שימוש במודלי אלמנט גבול המבוסס על גיל התבניות מתאימות ממוצעת MRI ועומק הערכת נורמה מינימאלית משוקללת בפרדיגמה ERP סטנדרטית מתאימה לילדים. בפרדיגמה זו, תמונות של פנים ופרצופים מקושקשות מוצגות. מחברים שונים המשמשים פרדיגמה זו כדי לחקור את הפיתוח של מנגנוני עיבוד פנים על פיתוח 35. ברמת הערוץ, סטיות שליליות יותר על זכות occipito ערוצים זמניים מתוארות על הפנים המצב למצב פנים המקושקשות. הטופוגרפיה, המיסות ואופייני תגובה עולות בקנה אחד עם רכיב N170 34. המקור קודם וחקירות EEG fMRI סימולטני מדווחים כי הפיתול הדמוי הכישור הוא מחולל סביר של תגובת N170. תוצאות הניתוח הנוכחי מראות כי היפוך מקור עם גבול משוקלל עומקמודל אלמנט (BEM) ניתן להשתמש כדי למקם את פעילות מקור בפיתול הדמוי הכישור בפרצוף מקושקשת הפנים הפרדיגמה ברמה של משתתפים בודדים. השימוש במודלים בראש המבוסס על האנטומיה של המשתתף הבודד או את השימוש של גיל מתאים בממוצע סריקות אנטומיים למחקרים התפתחותיים, שבי האנטומיה בודדת אינה זמינה, יאפשר לוקליזציה המקור מדויקת ביותר 2. יתר על כן, אזורים של עניין ניתן לזהות המבוססת על ידע האנטומי או אלגוריתמי חלוקה אוטומטיים כדי לחקור את האירוע שקשור התגובה של אזורים בקליפת המוח בפרט.

ישנן מספר מגבלות לשיקום מקור, במיוחד בדגימות התפתחותי, באותו הרגע. ראשית, שיקום מקור המבוסס על תבניות ממוצעת לקבוצות גיל שונות מניח כי הפרט מראה התפתחות מוח אופיינית לגיל הכרונולוגי שלהם, שלא בהכרח יהיה המקרה, במיוחד בקבוצות חולה. עבורדוגמא, מחקרים שונים שתוארו מסלולים טיפוסיים בגדילת המוח לילדים שנולדו פגים 36 או ילדים עם אוטיזם 37. קשה להעריך כמה הבדלים אנטומיים אלה ישפיעו על הדיוק של הפתרון ההפוך ותוצאות הטיה של השוואות בין קבוצות בקרה טיפוסיות ואופייניות.

שנית, מודלים קדימה כגון מודל גבול האלמנט (BEM) לא לשלב inhomogeneities מוליכות בתוך תאים, למשל, הבדלים בין חומר אפור ולבן. הדיוק למקורות קורטיקליים מוגבל ולכן. פתרונות קוד היו מוגבלים למקורות בקליפת המוח מסיבה זו. מודלים אלמנטים סופיים עשויים להיות מיושמים לרזולוציה מדויקת יותר של מחוללים קורטיקליים. עם פתרונות מוגבלים לקליפת המוח, חשוב לזכור כי הפעלה באזורים בקליפת המוח עשויה לשקף המנגנונים קורטיקליים סיבתי, למשל, תקשורת באמצעות לולאות משוב thalamic.לכן, מסקנות סיבתיות לגבי מעורבותם של אזורים בקליפת המוח מוגבלים, אלא אם כן יותר מודלים מורכבים משמשים כי כרגע זמינים רק עבור האנטומיה אופיינית למבוגר, למשל, דינמי סיבתי מידול 38,39.

יתר על כן, מודלים אלמנט הגבול להניח פצצות סגורות לכל תא. עם זאת, יש תינוקות צעירים נקודות רכות בגולגולות שלהם, שבו התפרים שבין עצמות גולגולת לא ימוזגו 15 באופן מלא. פגיעה זו בהנחות BEM מגבילה את תחולתו של שחזור מקור עם BEMs בתינוקות צעירים מגיל 2 שנים. מודלים אלמנטים סופיים עשויים לשמש לשיקום מקור בטווח גילים זה.

שלישית, למרות שדגמי ראש בגיל מתאימים שימשו לשיקום מקור, ערכי מוליכות מבוססים על דגימות מבוגרים שימשו למודל מוליכות בתוך כל תא. עם זאת, מוליכות רקמות עשויה להשתנות עם פיתוח, למשל., דרךמגביר בצפיפות עצם 15. ערכי מוליכות לסוגי רקמות המשמשים בBEMs לתינוקות ולילדי אדם כרגע אינו זמינים למיטב ידיעתנו.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

עלויות פרסום לכתבה זו מומנו על ידי חשמל Geodesics, Inc

Acknowledgments

אנחנו רוצים להודות לפרופ 'ג'ון ריצ'רדס, אוניברסיטה של ​​דרום קרוליינה, שהעניק לנו גישה למסד הנתונים התפתחותית MRI ודיונים מועילים. כמו כן, אנו רוצים להודות לתורמים שלנו של גדולים לילדים רחוב אורמונד צדקה, UCL השפעה ואתגרים גדול.

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).
קליפת המוח ניתוח מקור בצפיפות גבוהה הקלטות EEG בילדים
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