Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

Кортикальная Источник Анализ высокой плотности ЭЭГ Recordings у детей

doi: 10.3791/51705 Published: June 30, 2014

Summary

В последние годы наблюдается растущий интерес к оценке корковых источники головы измеренные электрическую активность для когнитивных экспериментов нейронауки. В данной статье описывается высокой плотности ЭЭГ приобретается и как записи обрабатываются для оценки корковой источника у детей в возрасте от 2-х лет в Лондонской лаборатории для новорожденных.

Abstract

ЭЭГ традиционно описывается как метод нейровизуализации с высоким временным и низкого пространственного разрешения. Последние достижения в области моделирования биофизических и обработки сигналов позволяют использовать информацию от других методов визуализации, таких как структурной МРТ, которые обеспечивают высокое пространственное разрешение, чтобы преодолеть это ограничение 1. Это особенно полезно для исследований, требующих высокого разрешения в височной, а также пространственной области. Кроме того, в связи с легкого применения и низкой стоимости ЭЭГ, ЭЭГ часто методом выбора при работе с населением, таких как маленьких детей, которые не переносят функциональной МРТ сканирует хорошо. Тем не менее, в целях расследования, которые нервные субстраты участвуют, анатомической информации от структурного МРТ по-прежнему необходима. Большинство пакетов ЭЭГ анализ работать со стандартными моделями головных, которые основаны на взрослого анатомии. Точность этих моделей при использовании для детей ограничено 2, так как соmposition и пространственная конфигурация головы тканей изменения резко за развитие 3.

В настоящей работе, мы предоставляем обзор нашей недавней работы в использовании моделей на основе отдельных структурных сканирования МРТ или возрастных моделей конкретных головы реконструировать корковых генераторы высокой плотности ЭЭГ. В данной статье описывается ЭЭГ приобретаются, обработаны и проанализированы с детской популяции на Лондонской лаборатории для новорожденных, в том числе лабораторной установки, дизайн задач, ЭЭГ предварительной обработки, переработки МРТ, и уровень канала ЭЭГ и анализа исходного.

Introduction

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

Президент США Барак Обама назвал человеческий мозг, как следующий рубеж научного открытия с большое значение для здоровья и экономики 3 (http://www.whitehouse.gov/share/brain-initiative). Однако, как и любой другой области в естественных науках, неврологии зависит от достижений в области методологий и методов анализа для прогресса. Два часто используемых неинвазивные инструменты в исследованиях о функции мозга у человека являются магнитно-резонансная томография (МРТ) и электроэнцефалография (ЭЭГ). Это инструмент использовать разные физические свойства и обеспечивают различные взглянуть на функции мозга с уникальными преимуществами и недостатками. МРТ использует магнитные свойства молекул воды внутри магнитных полей для получения изображений живых тканей. Предметом должен быть помещен в магнитное поле, с высокой прочностью на поле. Движение участника ограничено в течение этого процедур и участник должен терпеть шум, вызванный резким изменениям магнитногополе. В дополнение к структурным изображений, МРТ также обеспечивает возможность измерения изменения в оксигенации крови для исследования функции мозга (МРТ). Таким образом, МРТ предлагает относительно высокое пространственное разрешение до 0,5 мм 3, современными больших полях сканеров и оптимизированными параметрами 4. В противоположность этому, временное разрешение МРТ ограничивается медленной кинетике смелый ответ, который лишь косвенно отражает высокий временную динамику нейронной активности 5,6.

С другой стороны, ЭЭГ измеряет изменения в электрической активности, вызванные активности нейронов через электродов, расположенных на коже головы. Последние достижения в области технологии ЭЭГ позволяют быстро и легко применение датчиков для краткосрочной или долгосрочной перспективе и стационарные, а также амбулаторных записей. Поскольку ЭЭГ является менее ограничительным, это также методом выбора для определенных групп населения участников, не допускающей окружающей среды МРТ хорошо, как детская и некоторыегериатрических и психиатрических населения. Свойства ЭЭГ показывают обратную картину для тех, МРТ: временное разрешение очень высока с точностью до миллисекунды, но пространственное разрешение ограничено. Электрические токи проходят через различные ткани между их генератора и электродов ЭЭГ на поверхности кожи головы. Это приводит к смешиванию и пространственной размытию активности источника, известного как эффект объем проводимости. Таким образом, активность, измеренная с помощью электродов на поверхности кожи головы отражает активность из различных источников, которые могут быть далеким от положения электрода на головном 1,7.

Большая работа в последние годы была посвящена слиянию МРТ и ЭЭГ для того, чтобы воспользоваться их сильные стороны. Одна линия работы посвящена одновременного получения ЭЭГ и МРТ в функциональных исследований. Другой подход заключается в использовании пространственную информацию, предоставленную структурной МРТ с учетом объемного Conduction эффект через биофизического моделирования. Использование структурной информации для восстановления источника записей ЭЭГ особенно полезно для исследований, связанных с педиатрической популяции. Исследование развития функции мозга занимает центральное место в понимании того, как сложные когнитивные навыки строятся на простых предшественников 8.

Эти исследования помогают выделить изменения в нервных субстратов и свойств реагирования, которые коррелируют с изменениями в поведенческих характеристик. Тем не менее, исследование функции мозга и познания в процессе разработки также создает определенные проблемы. В частности, возможность для функциональных исследований МРТ ограничена маленьких детей и младенцев либо имеют, что спит или седативные для получения данных МРТ без артефактов движения и негативного воздействия на участника благополучия. Кроме того, ЭЭГ воспринимается как менее рискованный и инвазивные родителями, что делает набор участников исследования легче. Тherefore, ЭЭГ является методом выбора для многих исследований функции мозга у детей раннего возраста. Методологические достижения в системах ЭЭГ позволяет применение высокой плотности электродных массивов с 128 или более каналов в течение нескольких минут. Простота применения и комфорт при ношении достаточно, чтобы даже позволить запись ЭЭГ в самых молодых младенцев. Тем не менее, часто исследователи заинтересованы не только в временной динамики ответов на конкретные раздражители, но также хотел бы сравнить нервные субстраты, которые опосредуют ответов.

Преобладающая предположение уровня канала ERP сравнительного анализа различных возрастных групп в том, что одни и те же нейронные субстраты ответить, но что сроки или амплитуда ответ варьируется по возрастов 9. Похожие головы топография часто используется в качестве индикатора аналогичной базовой нейронной активности. Тем не менее, много различных конфигураций источник может привести к аналогичным кожи головы топологий 10. Применяя оценку исходного, это Uncertainty может быть снижена и количественно. Независимость наблюдений имеет решающее значение для сетевых счетах функции мозга: если источники смешиваются, корреляции будут смещены в сторону более высокой локальной связности. Реконструкция Источник может быть применен, чтобы уменьшить это смещение 11. Кроме того, различия в сроках и фазы могут быть использованы для анализа подключения, но эти математические модели требуют предположения, которые трудно оценить в не модельных данных 12. Таким образом, оценка источником предоставляет дополнительную информацию для уровня канала ЭЭГ и ERP анализа, основанного на знаниях о анатомии и биофизических свойств ткани.

Различные алгоритмы были разработаны, чтобы найти решения обратной задачи. Эти алгоритмы можно в целом разделить на две категории: параметрические и не параметрические 13. Параметрические модели предполагают один или несколько диполи, которые могут отличаться в месте, ориентации и силы. Напротив, не являющиеся параметрических моделей содерпа большое количество диполей с фиксированного места и ориентации. В этих моделях, скальп электрическая активность объясняется как сочетание активаций в основной диполей 10,13,14. Номера параметрический, распределенные модели источник может быть основана на знаниях о анатомии и проводимости в различных средах. Элемент Граница модели включают значения проводимости для основных тканей головы с различными снарядами для мозга, спинно спинномозговой жидкости, и черепа. Это основано на предположении, что проводимость в основном постоянным в пределах каждого отсека, но отмечены изменения происходят на границе различных отсеков. Конечные элементные модели основаны на дальнейшей сегментации MR сканирования в серого и белого вещества, так что значения проводимости могут быть назначены каждого воксела 15.

С практической точки зрения, не являющихся параметрических моделей особенно полезны для восстановления источника в сложных когнитивных задач, в которых число областей, участвующих можетне знают, 10. Краевые элементные модели наиболее широко используются в современной литературе, вероятно, потому, что более точные модели конечных элементов представляют сравнительно высокие вычислительные мощности. Кроме того, существует значительная среди индивидуальная изменчивость в серого и белого вещества, так что FEMS должны основываться на индивидуальных сканирования МРТ.

Номера параметрические модели требуют второй шаг для согласования головы измеренное деятельность предсказаниям прямом модели. Опять же, разные подходы с различными преимуществами и недостатками были обсуждены в литературе (см. Мишель и др.. 2004 для обзора). Наиболее широко используемые алгоритмы основаны на минимальной оценки нормы (МНК), который соответствует головы измеренной активности в текущем распределении в прямом модели с самой низкой общей интенсивности 16. МНП смещена в сторону слабых и поверхностных источников. Глубина взвешенные алгоритмы МНК попытаться уменьшить уклон поверхности путем введения взвешиваниематрицы на основе математических предположениях 10. Широко используется LORETA подход также основан на взвешенном МНК, но дополнительно минимизирует лапласиане источников, что приводит к более плавного решений 17,18. LORETA было установлено, работают лучше для одиноких источников в имитационных исследованиях 19,20. Тем не менее, LORETA может привести к более сглаживании решений. Глубина взвешенный МНК является предпочтительным, когда источники неизвестны или несколько источников, вероятно, будут присутствовать 13, 16. Сравнивая результаты различных алгоритмов для оценки влияния различных модельных предположений рекомендуется.

Таким образом, реконструкция источника с помощью методов моделирования не был ограничен для детей до недавнего времени. Это потому, что большая часть программного обеспечения анализ ЭЭГ опирается на модели головы на основе взрослой анатомии, который существенно ограничивает достоверность исходных растворов в детей 2,8. Дешевый доступ к вычислительной мощности и обеспеченияудобное программное обеспечение для восстановления источника позволяют преодолеть эти ограничения. Применяя оценку источника на ЭЭГ обеспечивает два важных преимущества по сравнению с анализом на основе наблюдений только канального уровня: улучшение пространственного разрешения и независимости наблюдений.

Оценка Источник не может быть информативным в некоторых случаях: хороший охват головы требуется различать источники. Системы высокой плотности с 128 или более электродов рекомендуется 10,15; редкой охват будет выступать в качестве пространственного фильтра, ведущей к более широкому активации источника распространения или ложных отрицательных результатов 10. Кроме того, реконструкция источник на основе способа, описанного в этой статье только Сообщалось о корковых генераторов. Таким образом, меньше подходит для проверки гипотез о подкорковых субстратов или коры подкорковых взаимодействий. Наконец, анализ источником должна быть основана на подробных предварительных гипотез о корковых субстратов,принимая существующую литературу от других методов визуализации во внимание. Пространственные методы фильтрации может также использоваться, чтобы улучшить пространственное разрешение сигнала ЭЭГ путем уменьшения пространственное перемешивание на уровне головы. Альтернативные методы, чтобы уменьшить влияние эффектов объем проводимости без головы моделирования используются, например, оператор Лапласа фильтрации 21 или Текущий анализ 22 Источник Плотность. Однако эти методы не обеспечивают больше информации о нейронных генераторов как эффекты объем проводимости не ограничивается только датчиков в непосредственной пространственной близости 1.

В следующих разделах, в статье описывается, как эксперименты по исследованию мозга и когнитивные функции у детей от 2-х лет разработаны в Лондонской лаборатории для новорожденных. Далее, сбора данных ЭЭГ с высокой плотностью системах низкого импеданса с детьми обсуждается. Тогда, предварительная обработка ЭЭГ и анализ на уровне канала представлена. Lastlу, статья посвящена обработке структурных данных МРТ для реконструкции корковой источника и анализа сигналов уровня входного сигнала.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

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

1. Проектирование ЭЭГ и события, связанные потенциальные эксперименты для детей

Примечание: Простой эксперимент был разработан для целей настоящей статьи, которые могут быть использованы для расследования лицом, обработка у маленьких детей. В следующем разделе будет описан эксперимент и объяснить, как это осуществить с помощью MATLAB R2012b и Psychtoolbox V3.0.11 23,24. Снимки, сделанные из множества NimStim эмоционального выражение лица 25 были использованы для этого примера. Этот набор стимулом доступен для исследовательских целей по запросу ( http://www.macbrain.org/resources.htm ).

  1. Перенесите RGB фотографии в серое, чтобы уменьшить различия между стимулами. См. Таблицу 1 Примечание:. Эти команды требуют Image Processing Toolbox ( http://www.mathworks.co.uk/products/image/ ). Бесплатные альтернативы можно найти твозь файловой бирже ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Использовать экспериментальную программное обеспечение управления для реализации эксперимент с точным временем для предъявления стимула триггеров, используя серию команд (см. таблицу 1 в качестве примера).

2. Сбор данных

  1. Убедитесь, что ребенок комфортно с окружающей средой тестирования. Разрешить младшие дети сидеть на коленях у своего опекуна или на сиденье удобной ребенка. Пусть ребенок видеть и чувствовать в сети датчика перед его применением к голове ребенка. Если есть дополнительная сеть, уже родитель также попробовать один на, или разместить один на куклу или чучело плюшевого.
  2. Измерьте максимальную окружность головы, чтобы выбрать правильный чистый размер для ребенка. Используйте измеряя ленту и удерживайте его в Насьон. Затем измерьте вокруг головы вокруг максимальной длины окружности (~ 1см выше затылочного бугра). Примечание: вести учет измеряемой окружности головы и сеть датчика, используемого для последующего анализа 26. Это помогает, если глава родители также измеряется сделать детей более комфортно с ситуацией.
  3. Определить вершину головы на пересечении середине расстояния между Насьон и затылочного бугра и левой и правой расположенный вокруг предсердия точки. Отметить эту точку с посудной пера для того, чтобы вершина канала расположен правильно при применении в сети.
  4. Применить сеть датчика и убедитесь, что ключевые каналы совмещены с анатомических ориентиров (Насьон, ИНИОН, вершинных и влево / вправо mastoids). Примечание: Для получения более точных результатов, положение каналов на голове может быть цифровой, приобретенный с помощью специального цифровизации оборудования. Исследователи, желающие приобрести положение датчика следует обратиться к соответствующим аппаратных и программных инструкций. Кроме того, электродные карты, которые предполагают стандартный размещение электродов наряду анатомической ланdmarks могут быть использованы. Эти карты могут быть искажен с возрастом соответствующие модели головы, как описано в разделе анализа.
  5. Убедитесь, что каналы имеют хороший контакт с кожей головы, поместив датчики индивидуально; мягко крутить каждый датчик из стороны в сторону, чтобы переместить волосы из пути.
  6. Измерьте усиления канала и канала сопротивления. Нажмите кнопку "Пуск", чтобы начать запись в программное обеспечение для записи NetStation ЭЭГ и начать усиление и измерения полного сопротивления. Если измерение не запускается автоматически, используйте "Калибровка усилитель" и кнопку "Мера Чистые сопротивлений".
  7. Проверьте программное обеспечение для записи каналов, сопротивление которых выше, чем 50 кОм, которые появятся красный. Применение дополнительного раствора электролита с помощью пипетки в нижний канал импедансов. Проверьте дисплей ЭЭГ для каналов, которые показывают высокие частоты деятельность, несмотря на низкий импеданс или заметно меньшей активностью, чем окружающие каналов (плоская линия каналов). Эти каналы могут ВГАэ плохой контакт с кожей головы и требуют корректировки.
  8. Для того чтобы сохранить детей комфортно во время подготовки ЭЭГ, позволить ребенку слушать музыку, смотреть возрастной соответствующий мультфильм или отвлечь их внимание с помощью другого экспериментатора, например, дует мыльные пузыри для малышей.

3. Анализ

  1. Предварительная обработка
    1. Цифровая фильтрация данных с фильтра высоких частот с отсечения на 0,1 Гц, чтобы удалить канал дрейфует 27 (табл. 1).
    2. Для ERP анализа, применить фильтр нижних частот с отсечения на 30 Гц 27 (табл. 1).
    3. Эпоху непрерывных данных в соответствии с кодами запуска установленных во время записи. Для большинства экспериментов, использовать базовую 200 мс предшествующих начала стимула и интервал после стимула 600 мс для покрытия временной интервал интерес (табл. 1).
    4. Удалить эпохи, которые содержат движения или мигания артефакты: знак сhannels с пика до пика амплитуды выше, чем 150 мВ - настроить этот порог в зависимости от участников группы и качества данных. Для согласованности, использовать тот же порог для всех участников одного из исследований. Если канал находится выше этого порога в более чем 30% от эпох, удалите канал (деятельность канала может быть интерполированное от окружающих каналов, если они содержат приемлемые данные). Если более 20% из каналов помечаются как плохо в эпоху, удалите эпоху. Если более 20% каналов отвергаются алгоритма или менее 50% от эпох сохраняются, рассмотреть возможность отмены набора данных из дальнейшего анализа (табл. 1).
      Примечание: Процентные пороги для эпохи и отказа канала приблизительные цифры, которые удаляют достаточное количество шума в нашем опыте. Количество артефакта в записи, вероятно, будет отличаться использованием другого участника группы, экспериментальные парадигмы или системы ЭЭГ. Экспериментаторы можете отрегулировать процентпороги и проверить, если они удовлетворены с отказом артефактов. Кроме того, экспериментаторы могут отклонить испытания, которые содержат артефакт путем визуального осмотра.
    5. Re ссылкой на средней ссылкой путем вычитания среднего активность по каналам от каждого канала (табл. 1). Примечание: вершина электрод обычно используется в качестве опорного записи в NetStation.
  2. Артефакт Коррекция Использование Независимый компонентный анализ
    1. Импорт данных в более быстрого инструментов 28 и запустить автоматическую артефакт алгоритм отказа на данные (табл. 1).
    2. Используйте графический интерфейс пользователя (GUI) для БЫСТРЕЕ; , чтобы открыть графический интерфейс, тип FASTER_GUI в командную строку.
    3. Отмените выбор параметров фильтрации в меню фильтрации, так как данные уже были отфильтрованы перед epoching.
    4. Укажите количество каналов: 126 каналов ЭЭГ с 2 electrooculagram (EOG) каналов.
    5. Введитемаркеры, используемые для epoching данные как строки в массив ячеек. Для представленной случае введите: {'лицо', 'ГКДР'} для лица и яичницей условиях лица.
    6. Выберите каналы для независимого анализа (МКА) компонента. Обычно выбрать все записи каналов, вкл. внешние не являющиеся каналы ЭЭГ.
    7. Укажите входной и выходной папки в правой панели GUI.
    8. Выберите нужный файл канала для записи. Примечание: файлы Channel для большинства системы ЭЭГ может либо быть загружены с производителем или может быть загружен с сайта EEGLAB.
    9. Нажмите RUN, чтобы начать быструю обработку. В зависимости от длины записи и количества файлов, эта обработка может занять несколько часов.
    10. Осмотрите записи, независимые карты компонентов и ERPs после обработки.
  3. Уровень канала Анализ связанные с событиями потенциалы данных
    1. Объединить несколько каналов в виртуальный Channel с лучшим отношением сигнал-шум (табл. 1). Примечание: выбор каналов должны быть основаны на предыдущих докладах в литературе или априорных гипотез. Выбор каналов, которые показывают наивысшую амплитуду в пределах данного временного окна не рекомендуется 29.
    2. Получить такие меры, как пиковой амплитуды, средняя амплитуда и пиковую латентность для характеристики сигнала и выполнять статистические тесты (табл. 1).
  4. Создание Element Граница Модели (МГЭ)
    1. Сегмент анатомическая МРТ с FreeSurfer. Примечание: Для получения более точных результатов, основывать модель граничных элементов на отдельных сканов МРТ для каждого участника. Если это не представляется возможным, следует использовать средние шаблоны МРТ, которые соответствуют возрасту участников, насколько это возможно. Обратите внимание, что BEMS не может быть использован для детей в возрасте до 24 месяцев. Краевые элементные модели предполагается, что каждая оболочка (мозг, череп, кожа) состоит из замкнутой оболочки. Тем не менее, в уOung дети родничков в черепе не закрыты, что нарушает замкнутой оболочки предположение.
      1. Для того чтобы установить программное обеспечение FreeSurfer сначала следует загрузить его с веб-сайта FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ). Далее, создана среда оболочки включают FreeSurfer; . для Bashrc, включают следующие команды в файле Bashrc.:
        1. Экспорт FREESURFER_HOME = / Применения / FreeSurfer /
        2. Источник $ FREESURFER_HOME / FreeSurferEnv.sh
          Примечание: Эти команды предполагают, что папка FreeSurfer находится в папке Приложения в системе Unix. Есть более подробную информацию о том, как настроить FreeSurfer с альтернативными работе в командной строке, например CSH / Tcsh, или операционных систем на веб-сайте FreeSurfer ( http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Далее, определить предмет дирекТори, т.е. папку, что выход будет записываться с помощью следующей команды:
        1. экспорт SUBJECTS_DIR = / ... / BEMS /
          Примечание: Результаты можно записать в любую папку на системе.
      3. Далее, изменить рабочий каталог в папку, содержащую файл МРТ для граничных элементов модели, используя следующую команду:
        1. кд / Пользователи / joebathelt / Neurodevelopmental_MRI_database / Дети / Мозг /
          Примечание: Любая папка в системе могут быть указаны с использованием синтаксис команды кд. Это является примером первичной структуры файла исследователи.
      4. Наконец, начать реконструкцию с помощью следующих команд:
        1. Recon-все-я <mri_file>-subjid <subject_id>
        2. Recon-все-все-subjid <subject_id>
          Примечание: <mri_file> должен быть заменен с именем файла желаемых сканирования МРТ в текущем каталоге. <subject_id> можно представитькружевной с любым именем. FreeSurfer создаст папку с таким именем в каталоге темы. В зависимости от используемой системы, последние команды может потребоваться некоторое время, чтобы бежать.
    2. Проверьте сегментацию FreeSurfer за неправильную сегментации, например. перекрывающиеся сферы, анатомически вряд отсеков и т.д.. путем импорта сегментов в BrainStorm и использовать дисплей инструменты в графическом интерфейсе:
      1. В BrainStorm, выберите анатомии панель. Импорт сегментированный МРТ щелкнув правой кнопкой мыши на объекте и выбрав "Импорт Анатомия Folder". Убедитесь папку с выходом FreeSurfer выбран. Осмотрите сегментацию визуально, щелкнув правой кнопкой и выбрав "Дисплей". Примечание: В качестве альтернативы команды FreeSurfer могут быть использованы. Подробное описание можно найти на веб-сайте FreeSurfer: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Если интересующей области анализа на основе анатомического выделения земельных участков желательно, FreeSurfer функции mris_ca_label , mri_annotation2label и mri_mergelabels могут быть использованы. Обратитесь к документации по FreeSurfer и страницах интерактивной справки для получения более подробной информации.
  5. Оцените Источник активность в BrainStorm
    1. Начните BrainStorm, набрав "мозговой штурм" в окне командной строки.
    2. Создать новый протокол, выбрав новый протокол в меню Файл.
    3. Добавить новую SubjЭСТ с протоколом, выбрав новый предмет в меню Файл.
    4. Импорт данных ЭЭГ для участника щелкнув правой кнопкой мыши по этому вопросу и выбрав "Импорт MEG / ЭЭГ".
    5. Импортировать файл канала щелкнув правой кнопкой мыши и выбрав "Файл Импорт канала". Примечание: Файл канала необходимо привести в соответствие с МРТ для реконструкции источников. BrainStorm использует систему 4 анатомических ориентиров, что пользователю необходимо отметить в МРТ. Пожалуйста, обратитесь к Brainstorm учебники для получения дополнительной информации ( http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Стандартное положение, как это определено в файле канала для определенной системы ЭЭГ или, в идеале, позиции головы, которые были оцифрованы до записи ЭЭГ могут быть использованы.
    6. Убедитесь, что BEM и каналы совпадают, как ожидается: Щелкните правой кнопкой мыши на файле канала для субъекта и перейдите к "МРТ регистрация" и "; Проверить ". Примечание: Если сферы в модели накладываются друг на друга или, если каналы находятся в МГЭ, реконструкция источник будет выдавать неправильные результаты. Отрегулируйте выравнивание с помощью параметра "Изменить" в меню "МРТ сегментации".
    7. Рассчитайте шума ковариационной матрицы от базовой линии каждой эпохи щелкнув правой кнопкой на участника и выбрав "Noise ковариационную матрицу" и "Рассчитать от записи". Примечание: Авторы BrainStorm инструментов рекомендуется использовать диагональную шума ковариационной матрицы для коротких записей (~ меньше, чем в базе каналов) и полный один для более длинных записей. Пожалуйста, обратитесь к обучающей BrainStorm Источник оценивания для получения дополнительной информации: http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Рассчитать модели источника, щелкнув правой кнопкой по этому вопросу и выбрать "вычислэ источником модель ".
    9. Вычислить обратную решения с использованием глубины взвешенное минимальной нормы оценивание щелкнув правой кнопкой мыши на объекте и выбрав "Compute Источник" и "Минимальная оценка нормы». Примечание: Другие варианты (DSPM, sLORETA) имеются. Каждый вариант имеет свои преимущества и недостатки. Алгоритм должен быть выбран на основании априорных соображений и предыдущих докладах в литературе. Кроме того, некоторые алгоритмы лучше в решении фокусное активации в определенных районах, тогда как другие являются более подходящими для активации широко распространенной. МНК был использован для этого исследования, основанного на предыдущих докладах в литературе 16. Для согласованности, тот же алгоритм для решения обратной следует использовать для всех участников одного из исследований. Исследователи также можете сравнить, как устойчивые выводы являются с применением различных алгоритмов решения обратной.
    10. Повторите Раздел 3 для всех участников исследования. Примечание: В любом использовать граphical интерфейс дозирования или скрипты повторяют этапы обработки для участников. См. документацию BrainStorm инструкции ( http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. Средний деятельность источник над испытаний на участников, перетаскивая записи к процессу меню и выберите пункт "Средний" и "В силу условия (при условии среднего)".
    12. Контраст состояние выбрав "Процессы 2" и перетащить каждое условие в одном окне. Затем выберите "Тест" и "Т-теста Стьюдента" или "т-тест Стьюдента (в паре)" в зависимости от конструкции. Чтобы выполнять несколько сравнений, установить амплитуду и пороги регион на дисплее полученной статистической карте в меню "Stat". Примечание: В качестве альтернативы, карты активации могут быть экспортированы в SPM ( http://www.fil.ion.ucl.ac.uk / SPM /) для более углубленного статистического анализа ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Рассчитайте ответ событий, связанных с для интересующей нас области. Для выделения земельных участков на основе трансформирования, загрузите выделения земельных участков FreeSurfer щелкнув правой кнопкой мыши на поверхности коры в меню анатомии и выберите "Импорт меток". Перейдите соответствующий файл и загрузить его. Теперь выберите ROI в "Scout" панели меню функциональной данных.
    14. Получите событий, связанных с деятельностью ROI путем перетаскивания файлов в окно Процесс 1 и выберите "Извлечь Scout Time Series" в меню Sources. Примечание: Несколько трансформирования могут быть выбраны одновременно и ROI временные ряды могут быть экспортированы для дальнейшего черчения и анализа щелкнув правой кнопкой мыши на время скаутскогоДанные серии и выбрав "Экспорт в 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

Проектирование ERP эксперименты для младенцев и детей часто бросает вызов, из-за их ограниченных возможностей терпеть длинные повторяющиеся опыты 30. Эта проблема еще более усугубляется, когда экспериментатор планирует подать заявку реконструкции источника, потому что точной реконструкции источник потребует высокого отношения сигнал-шум 1. На рисунке 1 показаны экспериментальный протокол для исследования механизмов обработки лица, которые могут использоваться с очень маленькими детьми. Парадигма адаптирована к) минимизировать глаз мигает и движения глаз во время предъявления стимула, потому что дети будут меньше в состоянии контролировать движения глаз, чем взрослых добровольцев б) сделать эксперимент более интересным, добавив внимание хапуг после между интервалом стимула. Глаз мигает и движения глаз контролируются представляя крест фиксации незадолго до стимул для того, чтобы привлечь внимание к центру экрана. Кроме того, длительность стимулаустановлен в 500 мс, что позволяет сознательное восприятие стимула при минимизации времени на сканирование изображения с движениями глаз. Привлекает внимание состоит из дружественной ребенку изображения, представленного с одновременным звука. Случайный выбор различных раздражителей привлекает внимание может быть использован, чтобы сохранить интересная задача для ребенка. Следующее испытание может быть начато экспериментатором, когда ясно из системы мониторинга, что ребенок снова ищет в центре экрана. Кроме того, рассказы могут быть использованы, чтобы помочь детей старшего возраста присутствовать на экране. Часто бывает полезно практиковать задачи с детьми, прежде чем запись ЭЭГ, чтобы убедиться, что ребенок понимает задачу. Скрининг вопросы или оценки, полученные в тренировке можно использовать в качестве независимых переменных в последующих анализов.

При расчете количества повторений, необходимых для эксперимента, важно учитывать, что многие испытания могут быть потеряны из-за невнимательности Oг движение артефакт при работе с детьми. Как правило, необходимое количество повторений должно быть в два раза по сравнению с взрослыми исследований или набирать большее количество участников. Сфера внимания и сотрудничество ограничено у детей по сравнению со взрослыми. Поэтому ее следует хранить особые потребности детей в виду при проектировании задачу. Длинная задача может быть разбит на несколько блоков коротких задач с перерывами между ними. Как правило, ряд условий, которые могут быть включены в эксперименте меньше для очень маленьких детей, так как они не смогут сотрудничать для более длительных периодов, необходимых для получения достаточных испытаний для многих условий стимулирования.

Цифры, представленные основаны на записи с 6-летним мальчиком (6 лет 3 месяца). Глава модель была основана на среднем шаблона МРТ 6-летних 31. Рисунок 5 показывает событие, уровень канала, связанную потенциальных ответов (ERP) на лицо и яичницу лица стимулы. Ваveform из ERP над задних каналов показывает особенности ожидаемого положительного отклонения последующим отрицательным отклонением и последующего широкого положительное отклонение. На основе топографии, временного хода и характера парадигмы, эти отклонения, вероятно, представляют собой P100, N1 и поздний положительный потенциал компонента. Кроме того, в начале отрицательное отклонение значительно больше для лица раздражители по сравнению с яичницей лицах. Таким образом, это, вероятно, отражают лицо конкретный компонент N170. Топографических карт в рисунке 5 показано распределение напряжения между 250 и 300 мс. Отрицательное напряжение с максимумом над правой затылочно-височной каналов в состоянии лицами очевидна.

На рисунке 6 показан статистический сравнение активности источника прогнозируемого на основе стандартной модели головы взрослого и в возрасте соответствующей модели головы. Реконструкция Источник был основан на граничных элементов модели (BEM) с глубиной взвешенныхМинимальная оценка нормы (wMNE) и полный шума ковариационная матрица в Brainstorm против 3,1 32. По умолчанию MNI Colin27 BEM был использован в качестве модели взрослого. Источник активность в среднем в течение долгого времени от 250 до 300 мс в соответствии с конкретными лица ответов на канальном уровне.

На карте показаны результаты сравнения критерий Стьюдента между гранями и яичница лицами состоянии исправленных для множественных сравнений с использованием ложных обнаружения (FDR). Результаты показывают активацию значительно более сильную исходный над височной доли в лицах сравнению с яичницей лицами состоянии. Локализация с использованием возрастной подходящую модель является более фокусное с сильными различиями на вентральной поверхности височной коре. Локализация на основе взрослых модели головы более дисперсной и показывает различия источником активности в правой медиальной и верхней височной извилины, которая в основном отсутствует на карте в зависимости от возраста соответствующей модели головы.

Рисунок 1

Рисунок 1. Пример номинальной восприятия экспериментировать подходит в широком диапазоне возраста Эксперимент состоит из визуального представления изображений лица или скремблированных граней. Стимулы физически идентичны, но пространственное расположение рандомизированных в скремблированного состоянии. Каждое испытание начинается с центральной презентации креста фиксации, чтобы минимизировать движения глаз во время предъявления стимула. Продолжительность поперечного фиксация презентации рандомизированы, чтобы избежать влияния волн на нескольких повторений. Стимул представлена ​​в течение периода 500 мс. Малая длительность также свести к минимуму вероятность движения глаз во время окна презентации. Привлекает внимание стимул представлен после среди опытной интервале с случайной продолжительностью от 1 сек до 2 сек. Вмание граббер особенно полезна для очень маленьких участников, которые, вероятно, не присутствовать на многих испытаниях, не привлекательной материала в последовательности. Эксперимент может начать следующий судебный процесс, когда участник смотрит на экране в ответ на привлекает внимание.

Рисунок 2
Рисунок 2. Блок-схема алгоритма порог отбраковки. Алгоритм сравнивает максимум каждого канала ЭЭГ в каждой эпохи к установленного порога. Если канал содержит максимальную активность выше порога, то канал помечается как плохой. Если более 20% каналов плохи в данную эпоху, эпоху отвергается. После отказа эпохи, максимальная активность в каждом канале по сравнению с порогом снова. Если канал содержит активность выше порога в более чем 30% всех эпох, канал отвергается. Если более 20% каналов отвергаются этой процедуры или менее 50% от эпох в состоянии остаются после отказа эпохи, набор данных, должны быть исключены из дальнейшего анализа. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 3
Рисунок 3. Автоматическая коррекция артефакт с помощью тем быстрее инструментов 28. Из рисунка видно, параметры, которые должны быть изменены, чтобы использовать, тем быстрее инструментов с установкой и конвейера обработки, описанной в этой статье:. 1. Фильтрация должна быть отключена, потому что набор данных уже были отфильтрованы 2 Число каналов должна быть скорректирована. Система ЭЭГ используется в этой статье имеет 126 каналов с2 канала EOG. 3. Event-маркеры для времени блокировки необходимо указывать как массив ячеек строк. 4. Временное окно для ответа связанных с событиями должен быть предоставлен. Это должно быть идентичным окна, используемого в предыдущем шаге epoching. 5. Пользователь должен определить каналы для независимого анализа (МКА) компонента. В большинстве случаев, это будет включать все каналы ЭЭГ и соответствующие внешние каналы, как глаз каналов (EOG). 6. Индексы глаз каналов также должны быть скорректированы с системой ЭЭГ используется. Для описано система ЭЭГ, они были бы каналы 125 и 128. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 4
FiGure 4. Анализ Источник в Brainstorm 32. 1. После импорта набора данных ЭЭГ и FreeSurfer поверхностей, элементной модели Граница (МГЭ) может быть рассчитана путем выбора "Compute модель головы" в меню "Источник". 2. Шум матрицы ковариации может быть рассчитана из записей, выбрав "Compute шума ковариации". Если запись имеет достаточную длину, то есть больше времени, чем точки датчиков, полный ковариационная матрица может быть вычислена, в противном случае диагональная матрица рекомендуется. 3. После вычисления модели головы и шум ковариационной матрицы, можно получить обратную раствора. Могут быть использованы различные алгоритмы. Глубина взвешенный Минимальная норма Оценка (wMNE) алгоритм был использован для этой статьи. 4. Временной ход активности источника в регионах, представляющих интерес (ROI) могут быть извлечены, выбрав "Extract Scout Time Series" е ром меню «Источник». Трансформирования из автоматического корковой выделения земельных участков в FreeSurfer были использованы для этого примера. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 5
Связанных Рисунок 5. Событие потенциалы ответ (ERP) к лицу и яичница лица стимулы над правом затылочно временных каналов. ERP показывает более негативное отклонение между 130 и 220 мс после начала стимула на правой стороне для лица по сравнению с яичницей лицах. Эти свойства в соответствии с предыдущими сообщениями о компоненте N170 33. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

ove_content "FO: держать-together.within-странице =" всегда "> Рисунок 6
Рисунок 6. Сравнение исходного локализации между моделью умолчанию взрослого головы и соответствующей модели головы. Верхний ряд рисунка показывает MNI взрослых пограничный глава модели colin27 слева и в возрасте соответствующей модели головы на основе FreeSurfer выделения земельных участков из среднего МРТ шаблон для 6-летних детей справа. Места расположения coregistered местах электродов также представлены. Запись была получена из 6-летнего мальчика (6 лет 3 месяца). Второй и третий ряд показывают результаты статистического сравнения между активации карт реконструкции источников МНК в лицах сравнению с яичницей лицами состоянии на основе Т-тест с поправкой на множественной сравнению с использованием поддельных Discovery Оценить (FDR). Цветная карта иллюстрирует величину эффекта с красным, указывая более высокую активностьв состоянии лицами и синего, показывая более высокую активность в скремблированного лицами состоянии. Обратите внимание, что пороги амплитуды или размер не применялись. Локализация кажется более фокусное на вентральной поверхности височной полюса с использованием возрастной подходящую модель головы по сравнению с взрослым BEM. Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 7
Рисунок 7. Источник ERP правой веретенообразной извилине в ответ на лицах и яичница лица на основе реконструкции источников из записи, полученной из 6-летнего мальчика (6 лет 3 месяца) с использованием соответствующих возрасту BEM с МНП Источник ERP показать больше отрицательное отклонение около 250 мсек после начала стимула в состоянии лицами по сравнению с сcrambled сталкивается состояние. Эта деятельность, скорее всего, отражает вклад правых веретенообразной извилине в компонент N170 в состоянии лицами.

<TD>
Вход для стадии 1.1 Описание
input_image = imread ('/ Пользователи / some_user / изображения / example.jpeg'); % Чтение изображения
gray_image = rgb2gray (input_image); % Переход от RGB в серое
SaveAs (gray_image, 'grey_image.tiff') % Сохранить новое изображение
Вход для шага 1.2 Описание
Пример кода:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Домашнее хозяйство
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
CLC % клиринговые переменные из рабочей области
очистить все
закрыть все % Установка звуковых драйверов в режим пониженного задержкой
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Переменные
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents и Settings ERP Лаборатории Users My Documents MATLAB Faces_Houses '; % Определении рабочий каталог
NetStation = 1;
% Это переключает связь с программным обеспечением для записи NetStation ЭЭГ
% Определения количества испытаний
no_of_trials = 80; % Унификации названия клавиш для удобства транспортировки межосевомееп Unix и PC версии
KbName ('UnifyKeyNames') % Определении переменной для выхода нажатий клавиш
escapeKey = KbName («Побег»);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Загрузка стимулы
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = Strcat ('C: Documents и Settings ERP Лаборатории Users My Documents MATLAB Faces_Houses Faces '); % Поставок папку с стимулов фотографий
файлы = реж (face_directory); % Генерации список всех графических стимулов
сталкивается = {files.name};
лица (1:2) = [];
хапуг = реж ('/ Пользователи / joebathelt / Dropbox / preterm_oddball / видеозахвата /'); </ TD>
видеозахвата = {grabbers.name};
видеозахвата (1:2) = [];
grabber_sounds = реж ('/ Пользователи / joebathelt / Dropbox / preterm_oddball / звучит /');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Запуск эксперимента
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
если NetStation == 1; NetStation ('соединение', '194 .82.245.131 ', '55513') % Синхронизация с программным обеспечением для записи
NetStation ('Синхронизировать', 10) % Синхронизации в пределах 10 мс точности
NetStation ('StartRecording') % Начнется запись
конец
% Настройка экрана
screenNum = 0; % Идентификационный номер экрана презентации
% Определении окно для предъявления стимула
[Display.w, display.rect] = экрана ('OpenWindow', screenNum, 0);
[WPtr, прямоугольник] = экрана ('OpenWindow', screenNum); % Скрывая курсор мыши
HideCursor;
черный = BlackIndex (wPtr); % Установка фона на черный
Экран ('FillRect', wPtr, черный); % Определении шрифт и размер шрифта для отображения текста
Экран ('TextFont', display.w, "Arial");
Экран ('TextSize', display.w, 32);
Экран ('TextStyle', display.w, 0);
для г = 1: no_of_trials
FlushEvents
рандомизатор = Рэнди (2);
% Случайного выбора привлекает внимание изображение
attention_grabber = imread (Strcat (input_folder, "хапуг / ', cell2mat (видеозахвата (Рэнди (длина (грейферы))))));
[Звуки, фс, Nbits] = wavread (Strcat (input_folder, "звучит / ', cell2mat (grabber_sounds (Рэнди (длина (грейферы))))));
audio_handle = PsychPortAudio ("Открыть", [], [], 0, фс, длина (звуки (1, :)));
звучит = звуки '; % Случайно выбора граббер звук внимания
PsychPortAudio ('FillBuffer', audio_handle, звуки);
% Настройке звука презентацию
стимулом = Strcat (face_directory, лица (Рэнди (длина (лица))));
стимулом = imread (cell2mat (стимул)); % Это randomises презентацию лицах и яичница лица
если рандомизатор == 2; % Загрузке стимул, который был случайно выбранных из списка стимулов
стимул = раздражитель (randperm (длина (раздражитель (:, 1))), randperm (длина (стимул (1, :))));
конец % Карабкаться стимула матрицу, если судебное разбирательство является яичница суд
стим = экрана ('MakeTexture', wPtr дважды (стимул)); % Стимул
% Подготовке стимул для представления
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Судебная
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% В этом разделе относится только к первой пробе
если я == 1;
[Пх, пу, коробка] = DrawFormattedText (wPtr, 'Нажмите любую клавишу, чтобы начать', 'центр', 'центр', [255 255 255]);
Экран ('FrameRect', wPtr, 0, коробка);
[VBLTimestamp StimulusOnsetTim] = экрана ("Флип", wPtr); % Для первого судебного разбирательства, текст "Нажмите любую клавишу, чтобы начать" представлена, пока не будет нажата клавиша
KbWait ([], 2);
[Пх, пу, коробка] = DrawFormattedText (display.w, '', 'центр', 'центр', 255); % Пустой экран
Экран ('FrameRect', display.w, 0, коробка); [VBLTimestamp StimulusOnsetTim] = экрана ("Флип", wPtr);
конец
% Фиксация Крест
[Пх, пу, BBOX] = DrawFormattedText (wPtr, '+', 'центр', 'центр', 255);
Экран ('FrameRect', display.w, 0, BBOX);
[VBLTimestamp StimulusOnsetTim] = экрана ("Флип", wPtr); % Готовит белый знак плюс в центре экрана как крест фиксации
если NetStation == 1; % Представляя крест фиксации
NetStation ('событие', 'исправление + », StimulusOnsetTim) конец
% Отправив курок с отметкой времени фиксации поперечного представления и кода "исправить +» к программному обеспечению для записи ЭЭГ
% Ограничения время представления кресте фиксации к случайной продолжительностью от 0,15 до 0,2 с
% Стимул % Представляя лицо или яичницу лица стимул
Экран ('DrawTexture ", wPtr, стим);
[VBLTimestamp StimulusOnsetTim] = экрана (wPtr, "Флип");
если NetStation == 1; % Отправки курок с отметкой времени и кода 'лица' или лицом »ГКДР» к программному обеспечению для записи ЭЭГ
если рандомизатор == 1;
NetStation ('событие', 'лицо', StimulusOnsetTim)
ElseIf рандомизатор == 2;
NetStation ('событие', 'ГКДР', StimulusOnsetTim)
конец
конец
WaitSecs (0.5) % Продолжительность предел стимулом для 500 мс
% Представляя пустой экран
[Пх, пу, коробка] = DrawFormattedText (wPtr, '', 'центр', 'центр', 255); % Пустой экран
Экран ('FrameRect', wPtr, 0, коробка);
[VBLTimestamp StimulusOnsetTim] = экрана ("Флип", wPtr);
WaitSecs (1 + рандов (1)) % Среди пробная интервал с случайной продолжительностью от 1 до 2 секунд
% Внимание граббер % Представить привлекает внимание со звуком
Экран ('DrawTexture ", wPtr, граббер);
звучит = PsychPortAudio («Пуск», audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = экрана ("Флип";, WPtr);
если NetStation == 1;
NetStation ('событие', 'grbr', StimulusOnsetTim) % Отправить отметку времени и код для привлекает внимание к программному обеспечению для записи ЭЭГ
конец
% Представить привлекает внимание и звучать, пока не будет нажата клавиша на клавиатуре
KbWait ([], 2);
PsychPortAudio ('Стоп', audio_handle);
Экран ('FrameRect', display.w, 0, коробка); % Прервать эксперимент, если была нажата клавиша выхода
[VBLTimestamp StimulusOnsetTim] = экрана ("Флип", wPtr);
[KeyIsDown, timeSecs, KeyCode] = KbCheck; если keyIsDown
если KeyCode (escapeKey)
SCA
NetStation ('StopRecording')
возвращение
конец
конец % Закрыть эксперимент и остановить запись ЭЭГ в конце эксперимента
конец
Экран ('CloseAll');
если NetStation == 1;
NetStation ('StopRecording')
конец
Вход для шага 3.1.1 Описание
OUTEEG = pop_eegfilt (INEEG, 0.1, []); % OUTEEG = ЭЭГ данные после фильтрации, то есть. функция выхода
% INEEG = ЭЭГ данных до фильтрации, то есть функции входа
% 0.1: высоких частот Частота среза
% []: Низких частот среза, не определено, потому что фильтр высоких частот желательно
Вход для шага 3.1.2 Описание
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: Высоких частот отрезаны, не определено, потому что фильтр нижних частот желательно
% 30: низких частот частота среза
Вход для шага 3.1.3 Описание
OUTEEG = pop_epoch (INEEG, "событие", {'лицо', 'ГКДР'}, [-0,2 0,6]); % Epoching
% "Событие", {'лицо', 'ГКДР'}: функция сказали, чтобы использовать триггер событий "лицо" и "ГКДР 'как время блокировки маркеры. Эти триггеры были определены в сценарии эксперимента, чтобы отметить наступление лица и яичницу лица STImulus презентация начало.
% [-0,2 0,6] = временное окно для ERP от 0,2 сек до времени блокировки события до 0,6 сек
OUTEEG = pop_rmbase (ЭЭГ, [-0,2 0]); % Извлечение базовый
% [-0,2 0]: базовый временное окно, т.е. 0,2 сек до времени блокировки события с временем блокировки событие
Вход для шага 3.1.4 Описание
Функция [ЭЭГ] = threshold_rejection (ЭЭГ, порог) Определение% функция, функция требует структуру набора данных ЭЭГ и порог в мкВ
для J = 1:02
для г = 1: длина (EEG.data (1,1, :)) % Это петли проходит через все эпохи в данном наборе данных ЭЭГ
Данные = EEG.data (:,:, я);
Данные = данные - среднее (данные, 2); % Вычитания йе означает деятельность, чтобы избежать влияния амплитудных сдвигов
максимумы = тах (абс (данные '))'; % Выявления максимальную абсолютную активность во всех каналах
bad_channels = максимумы> порог;
channel_rejection (:, г) = bad_channels;
если сумма (bad_channels)> 0,2 * 128 % Если более 20% из каналов выше порога, эпоха отмечена для отказа
epoch_rejection (я) = 1;
еще
epoch_rejection (я) = 0;
конец
конец
если J == 1; % Выбрав только эпохи, которые не отмечены как плохо
ЭЭГ = pop_select (ЭЭГ, 'суд', найти (epoch_rejection == 0))
еще % Все каналы, которые плохо в более чем 20% от эпох после отказа эпохи для отказа канала
bad_channels = среднее (channel_rejection, 2)> 0,2;
ЭЭГ = pop_interp (ЭЭГ, найти (bad_channels == 1), 'сферической'); % Применять сферическую интерполяции плохих каналов
конец
конец
Вход для шага 3.1.5 Описание
ЭЭГ = pop_reref (ЭЭГ, []); % Вычисляет среднее ссылку
Вход для шага 3.2.1 Описание
каналы = {'E84', 'E89', 'E90', 'E91', 'E94', 'E95', 'E96'}; % Правый N170 % затылочно-височной каналы правого полушария% для ответов N170 с использованием каналов этикетки для% 128 каналов Геодезические Hydrocel Датчик Чистая
ЭЭГ = pop_select (ЭЭГ, "канал", каналы); % Выбор каналов
Virtual_channel = среднее (EEG.data, 1); % Объединяя отдельные каналы в виртуальный канал
Вход для шага 3.3.2 Описание
N170_peak = тах (абс ((averaged_ERPs (0,13 * Srate 0,2 * Srate: 0,2 * Srate 0,2 * Srate), [], 2)); % Максимальная амплитуда в пределах инкубационного окне для каждого участника в мкВ
N170_peaklatency = 1000 * (найти (averaged_ERP (0,13 * Srate 0,2 * Srate: 0,2 * Srate 0,2 * Srate) == N170_peak) + 0,2 * EEG.srate + 0,13 EEG.srate). / EEG.srate % Пик задержки в миллисекундах
N170_mean = средние (averaged_ERPs:, 0,13 * Srate 0,2 * Srate: 0.2 * Srate 0,2 * Srate), [], 2); % Среднее амплитуда в мкВ

Таблица 1. MATLAB команд для реализации тыс.э пример эксперимент и проанализировать с высокой плотностью записи ЭЭГ на канале-и на уровне исходного кода. таблица суммирует код для реализации лица против яичница рожи пример эксперимент. Кроме того, код для предварительной обработки сырой ЭЭГ представлена. Кроме того, методы для извлечения характеристик сигнала для анализа уровня канала ответа событий, связанных показаны.

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

Настоящая статья описывает регистрацию и анализ высокой плотности ЭЭГ на реконструкцию корковых генераторов с использованием моделей граничных элементов на основе возраста соответствующие средние шаблоны МРТ и глубина взвешенная минимальная оценка нормой в стандартном ERP парадигмы подходит для детей. В этой парадигме, фотографии лица и яичницей лица представлены. Различные авторы использовали эту парадигму исследовать развитие механизмов обработки лица над развитием 35. На уровне канала, более отрицательные отклонения за право затылочно временных каналов описаны для лица состояния к скремблированного состоянии лица. Топография, задержки и характеристика ответ согласуются с компонентом N170 34. Предыдущий источник и одновременных расследований ЭЭГ МРТ сообщают, что веретенообразной извилине является вероятным генератор ответ N170. Результаты данного анализа показывают, что инверсия источник с глубины взвешенной границеэлементная модель (МГЭ) может быть использован для локализации источника деятельность в веретенообразной извилине в лицо яичница лица парадигмы на уровне отдельных участников. Использование моделей головных основана на анатомии отдельного участника или использования соответствующих возрасту в среднем анатомические сканирование для исследований развития, в которой человек анатомия не доступен, позволит наиболее точную локализацию источника 2. Кроме того, регионы интерес можно определить на основе анатомических знаний или автоматических алгоритмов выделения земельных участков для расследования ответ событий, связанных с конкретных областях коры.

Есть несколько ограничений реконструкции источников, в частности, в образцах развития, на данный момент. Во-первых, реконструкция источник на основе средних шаблонов для разных возрастных групп предполагает, что индивид показывает типичную развитие мозга для их хронологического возраста, которые могут не всегда иметь место, особенно в группах пациентов. ДляНапример, различные исследования описаны атипичные траектории в рост мозга для детей, родившихся недоношенными 36 или детям с аутизмом 37. Трудно оценить, насколько эти анатомические различия будут влиять на точность решения обратной и результатов смещения сравнений между атипичных и типичных контрольных групп.

Во-вторых, вперед модели, такие как модель граничных элементов (МГЭ) не включают проводимости неоднородности в отсеках, например, различия между серого и белого вещества. Точность для подкорковых источников, следовательно, ограничено. Источник решения были ограничены корковых источников по этой причине. Конечно-элементных моделей может применяться для получения дополнительной точной разрешением подкорковых генераторов. С помощью решений, ограниченных на коре, важно иметь в виду, что активация в областях коры, возможно, отражает основные подкорковые механизмы причинные, например, обратной связи через таламуса петель.Таким образом, причинно-следственные выводы о причастности областях коры ограничены, если более сложные модели не используются, что в настоящее время доступны только для типичного взрослого анатомии, например, Dynamic причинной моделирования 38,39.

Кроме того, модели граничных элементов предположить замкнутых оболочек для каждого отсека. Тем не менее, маленькие дети имеют мягкие места в их черепов, где швы между костями черепа не полностью интегрированы 15. Это нарушение BEM предположений серьезно ограничивает применимость восстановления источника с BEMS у младенцев в возрасте до 2 лет. Конечные элементные модели могут быть использованы для восстановления источника в этом возрасте.

В-третьих, даже если соответствующие возрасту моделей были использованы для реконструкции исходного значения проводимости, основанные на взрослых образцов были использованы для моделирования проводимость в каждом отделении. Однако ткани проводимость, скорее всего, меняться с течением развития, например., Черезувеличивается в плотности костной ткани 15. Значения проводимости для типов тканей, используемых в BEMS для человеческих младенцев и детей в настоящее время не доступны для наших знаний.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Расходов на публикацию для этой статьи была организована за счет электрического геодезических, Inc

Acknowledgments

Мы хотим поблагодарить профессора Джона Ричардса, Университет Южной Каролины, за предоставление нам доступ к базе данных с развитием МРТ и полезные обсуждения. Мы также хотели бы поблагодарить наших спонсоров Great Ormond Street детский благотворительный, UCL Impact & Великих задач.

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).
Кортикальная Источник Анализ высокой плотности ЭЭГ Recordings у детей
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