Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Behavior

Çocuklarda Yüksek Yoğunlukta EEG Recordings kortikal Kaynak Analizi

doi: 10.3791/51705 Published: June 30, 2014

Summary

Son yıllarda, bilişsel nörobilim deneyler için elektriksel aktivitesinin kafa derisi ölçülen kortikal kaynaklarını tahmin artan bir ilgi olmuştur. Bu makalede, Londra Bebek Lab 2 yaşından yüksek yoğunluklu EEG elde edilir ve nasıl kayıtları çocuklarda kortikal kaynak tahmini için nasıl işlendiğini açıklar.

Abstract

EEG geleneksel olarak yüksek zamansal ve uzaysal çözünürlüğü ile bir beyin tekniği olarak tarif edilir. Biyofizik modelleme ve sinyal işleme son gelişmeler mümkün bu kısıtlamayı 1 aşmak için yüksek uzaysal çözünürlüğü sağlamak yapısal MR gibi diğer görüntüleme yöntemlerinin bilgi istismar yapmak. Bu temporal yüksek çözünürlük hem de uzamsal gerekli araştırmalar için özellikle yararlıdır. Buna ek olarak, nedeniyle kolay uygulama ve EEG kayıtları düşük maliyet, EEG gibi fonksiyonel MRI tahammül yok küçük çocuklar gibi nüfus, çalışan iyi tarar sık ​​sık tercih edilen yöntemdir. Ancak, nöral substratlar yapısal MR dan, anatomik bilgi yer aldığı araştırmak için hala gereklidir. En EEG analiz paketleri yetişkin anatomi dayalı standart kafa modelleri ile çalışır. Çocuklar için kullanılan bu modellerin doğruluğu, 2 sınırlı olduğu için eşkompozisyon, ve baş mekansal yapılandırma gelişimi üzerinde 3 dramatik değişiklikler dokular.

Bu yazıda, yüksek yoğunluklu EEG kortikal jeneratörleri yeniden bireysel yapısal MRI taramaları ya da yaşa özel kafa modellere dayalı kafa modelini kullanan son bizim işin bir bakış sağlar. Bu makalede, EEG kayıtları işlenmiş ve laboratuar kurulumu, görev tasarımı, EEG ön işleme, MRI işleme ve EEG kanal seviyesi ve kaynak analizi de dahil olmak üzere Londra Bebek Lab pediatrik nüfus, analiz, nasıl elde edildiğini açıklar.

Introduction

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

Başkan Barack Obama, sağlık ve ekonomi 3 (http://www.whitehouse.gov/share/brain-initiative) için yüksek öneme sahip bilimsel keşif sonraki sınır olarak insan beynini nitelendirdi. Ancak, doğal bilimlerde herhangi bir diğer alan gibi, nörolojik ilerleme için metodolojiler ve analiz tekniklerindeki gelişmeler bağlıdır. İnsanlarda beyin fonksiyonu hakkında çalışmalarda yaygın olarak kullanılan iki non invaziv araçlar, manyetik rezonans görüntüleme (MRG) ve elektroensefalografi (EEG) vardır. Bu aracı farklı fiziksel özellikleri istismar ve benzersiz avantaj ve dezavantajları ile beyin fonksiyon farklı bakış açıları sağlamak. MRG yaşayan dokuların görüntüleri elde etmek için manyetik alanlar içindeki su molekülleri manyetik özelliklerini kullanır. Söz konusu yüksek alan gücüne sahip bir mıknatısın yerleştirilmiş olması gerekir. Katılımcının hareketi bu işlemler sırasında sınırlı ve katılımcı manyetik hızlı değişikliklerin neden olduğu gürültü tahammül vardıralan. Yapısal görüntülere ek olarak, MRI ayrıca beyin fonksiyonu (fMRI) araştırmak için kan oksijenlenme değişiklikleri ölçmek için imkanı sağlar. Özetle, MRG modern yüksek alanlar tarayıcılar ve parametrelerinin optimize 4 ile 0.5 mm 3 nispeten yüksek uzaysal çözünürlük sunuyor. Bunun aksine, fonksiyonel MR zamansal çözünürlüğü sadece dolaylı olarak nöral faaliyet 5,6 yüksek zamansal dinamikleri yansıtan BOLD yanıt yavaş kinetik ile sınırlıdır.

Öte yandan, EEG kafa derisi üzerine yerleştirilen elektrotlar yoluyla nöron aktivitesinin sebep olduğu elektriksel aktivitesinde değişiklikleri ölçer. EEG teknolojisindeki son gelişmeler, kısa vadeli veya uzun vadeli ve kırtasiye gibi ayaktan kayıtları için sensörler hızlı ve kolay uygulama sağlar. EEG az kısıtlayıcı olduğundan, o da iyi gibi MRG çevreyi tahammül yok bazı katılımcı nüfus için tercih edilen yöntemdir pediatrik ve bazıGeriatrik ve psikiyatrik nüfus. EEG özellikleri MRG bu ters bir desen göstermektedir: zamansal çözünürlük milisaniyelik hassasiyetle çok yüksek, ancak uzaysal çözünürlüğü sınırlıdır. Elektrik akımı kafa derisi yüzeyinde kendi jeneratör ve EEG elektrotlar arasında farklı dokular içinden geçmektedir. Bu, karıştırma ve ses iletim etkisi olarak bilinen bir kaynak aktivitenin uzaysal bulaşması yol açar. Bu nedenle, kafa derisi yüzeyine elektrotlar ile ölçülen etkinlik baş 1,7 ilgili elektrotun konuma uzak olabilir, birden çok kaynaktan gelen aktivitesini yansıtır.

Son yıllarda çok iş kendi güçlerinden yararlanmak için MRI ve EEG birleştirilmesi ithaf edilmiştir. Işin bir satır işlevsel çalışmalarda EEG ve MR eş zamanlı olarak satın adamıştır. Başka bir yaklaşım hacmi c hesaba çekmek için yapısal MRG tarafından sağlanan uzamsal bilgiyi kullanmaktıronduction biyofizik modelleme yoluyla etkisi. EEG kayıtlarının kaynağı yeniden yapısal bilginin kullanımı bir pediatrik içeren çalışmalar için özellikle yararlıdır. Beyin fonksiyonlarının gelişiminin incelenmesi karmaşık bilişsel beceriler basit öncüleri 8 üstüne inşa nasıl anlamak için merkezi.

Bu soruşturmalar davranış performansında değişiklikler ile ilişkili nöral substratlar ve yanıt özellikleri değişiklikleri vurgulamak için yardımcı olur. Ancak, gelişimi sırasında beyin fonksiyonu ve biliş soruşturma da belirli zorlukları teşkil etmektedir. Özellikle, fonksiyonel MRI çalışmaları için fırsat küçük çocuklar ve bebeklerde uykuda veya hareket eserler ve katılımcı sağlığı üzerinde olumsuz etkisi olmadan MRI verilerini elde etmek sakinleşmiş olması ya olarak sınırlıdır. Ayrıca, EEG araştırmaya katılanların işe kolaylaştırır veliler, daha az riskli ve invaziv olarak algılanmaktadır. Therefore, EEG küçük çocuklarda beyin fonksiyonunun bir çok araştırmalar için tercih edilen bir yöntemdir. EEG sistemlerde metodolojik gelişmeler dakika içinde 128 veya daha fazla kanal ile yüksek yoğunluklu elektrot diziler uygulama sağlar. Uygulama ve taşıma konforu kolaylığı hatta genç bebeklerde EEG kaydına izin vermek yeterlidir. Ancak, çoğu araştırmacı yalnızca belirli uyaranlara tepkiler zamansal dinamikleri ilgilenen, aynı zamanda tepkilerin nöral substratları karşılaştırmak istiyorum.

Farklı yaş grupları karşılaştırarak kanal seviye ERP analizinde bir hakim varsayım aynı nöral substratlar tepki olduğunu, ancak zamanlama veya yanıt genliği yaşları 9 arasında değişir. Benzer kafa derisi topografya genellikle benzer altta yatan nöral aktivitenin bir göstergesi olarak kullanılır. Ancak, birçok farklı kaynak konfigürasyonları benzer saç derisi 10 topografyalarının yol açabilir. Kaynak tahmin uygulayarak, bu Uncertainty azalır ve sayısal olabilir. Gözlemlerin bağımsızlığı beyin fonksiyon ağ hesapları için önemlidir: kaynaklar karışık ise, korelasyon yüksek yerel bağlantı karşı önyargılı olacaktır. Kaynak rekonstrüksiyon bu önyargı 11 azaltmak için uygulanabilir. Alternatif olarak, zamanlama ve faz farkları bağlantı analizi için de kullanılabilir, ancak bu matematiksel modeller olmayan taklit veriler 12 değerlendirmek zor olan varsayımlar gerektirir. Özetle, kaynak tahmini anatomi ve doku biyofiziksel özellikleri hakkında bilgiye dayalı kanal seviyesi EEG ve ERP analizine ek bilgi sağlar.

Farklı algoritmalar ters soruna çözüm bulmak için icat edilmiştir. Parametrik ve parametrik olmayan 13: Bu algoritmalar iki kategoriye ayrılır geniş düşmek. Parametrik modeller birini veya konumu, yönlendirme ve gücü değişebilir birden dipolleri varsayalım. Bunun aksine, parametrik olmayan model konteynerina büyük sabit bir yerde ve yönelimi ile dipollerin sayısı. Bu modellerde, kafa derisi elektriksel aktivite sabit dipollerin bilir 10,13,14 içinde aktivasyon bir kombinasyonu olarak açıklanmıştır. Parametrik olmayan, dağıtılan kaynak modelleri, farklı ortamlarda anatomi ve iletkenliği ile ilgili bilgiye dayalı olabilir. Sınır eleman modelleri beyin, beyin omurilik sıvısı ve kafatası için farklı kabuklar ile başın ana dokular için iletkenlik değerleri içermektedir. Bu iletkenlik her bir bölme içinde çok sabit olmakla birlikte, bu belirgin değişiklikler farklı bölmelerin sınır meydana varsayımına dayanmaktadır. Iletkenlik değerleri her vokselden 15 atanabilir, böylece sonlu eleman modelleri gri ve beyaz madde içine MR taramaları daha fazla segmentasyon dayanmaktadır.

Pratik açıdan, parametrik olmayan model, karmaşık bilişsel görev aldığı kaynak yeniden yapılanma için özellikle yararlı olan ilgili alanların sayısı olabilir hangi10 bilinemez. Daha doğru Sonlu Elemanlar Modeli nispeten yüksek hesaplama taleplerini poz muhtemelen çünkü sınır eleman modelleri en yaygın, mevcut literatürde kullanılmaktadır. Fems bireysel MRI taramaları dayanması gerektiğini, böylece daha fazla, beyaz ve gri cevherde önemli arası bireysel farklılıklar bulunmaktadır.

Parametrik olmayan modeller öne modelin tahminlere derisi ölçülen aktivitesini eşleşen için ikinci bir adım gerektirir. Yine, farklı avantajları ve dezavantajları ile farklı yaklaşımlar (genel bir bakış için Michel ve ark. 2004 bakınız) literatürde tartışılmıştır. En yaygın olarak kullanılan algoritmalar, en düşük toplam yoğunluk 16 ile ileri modelinde bir akım dağılımı için kafa derisi ölçülen etkinlik ile eşleşen en az norm tahmini (MEB) dayanmaktadır. MEB zayıf ve yüzeysel kaynaklardan doğru itilir. Derinlik ağırlıklı MEB algoritmaları ağırlık getirerek yüzey önyargı azaltmak için çalışacağızmatematiksel varsayımlara dayalı 10 matrisleri. Yaygın olarak kullanılan LORETA yaklaşım da ağırlıklı MEB dayalı, ama ayrıca yumuşak çözümler 17,18 yol açan kaynakların laplası, minimize edilir. LORETA simülasyon çalışmalarında 19,20 tek kaynağa için en iyi performansı bulunmuştur. Ancak, LORETA çözümleri yumuşatma üzerinde yol açabilir. Kaynakları bilinmeyen veya birden kaynaklar 13, 16 mevcut olması muhtemeldir zaman derinlik ağırlıklı MEB tercih edilir. Farklı model varsayımlarının etkisini değerlendirmek için farklı algoritmalar sonuçlarını karşılaştırarak tavsiye edilir.

Özet olarak, modellenmesi yöntemlerle kaynak yeniden yakın zamana kadar çocuklar için sınırlı kalmıştır. En EEG analiz yazılımı esas çocuklarda 2,8 kaynak çözümleri doğruluğunu sınırlar yetişkin anatomisine dayanan kafa modellerine dayanır çünkü bu. Hesaplama gücü ve sunumunun ucuz erişimkaynak yeniden inşası için kullanıcı dostu bir yazılım mümkün bu sınırlamaları aşmak için yapmak. EEG kaynak tahmin uygulanması yalnız kanal seviye gözlemlerine dayalı analizler üzerinde iki önemli avantajlar sağlamaktadır: uzaysal çözünürlüğü ve gözlemlerin bağımsızlığını geliştirilmiş.

Kaynak kestirimi, bazı durumlarda bilgi olabilir: başının iyi bir kapsama kaynaklarını ayırmak için gereklidir. 128 veya daha fazla elektrodun sahip yüksek yoğunluklu sistemleri 10,15 tavsiye edilir; Bir sparser kapsama alanı daha geniş yayılır kaynak aktivasyonu veya yanlış negatif sonuçların 10 önde gelen bir uzamsal filtre gibi hareket edecektir. Ayrıca, bu makalede tarif edilen yönteme göre yeniden kaynağı sadece kortikal jeneratörler için rapor edilmiştir. Bu nedenle, subkortikal yüzeylerde veya kortikal subkortikal etkileşimleri hakkındaki hipotezleri için daha az uygundur. Son olarak, kaynak analizi, kortikal alt-tabakalar ile ilgili ayrıntılı önce hipotez dayanmalıdırdikkate diğer görüntüleme yöntemlerinden mevcut literatürü alarak. Mekansal filtreleme teknikleri, aynı zamanda kafa derisi düzeyde mekansal karıştırma azaltarak EEG sinyalin uzaysal çözünürlüğü geliştirmek için kullanılabilir. Kafa modelleme yapmadan hacim iletim etkileri etkisini azaltmak için alternatif yöntemler, kullanılan örneğin, Laplasyen filtreleme 21 veya Akım Kaynağı Yoğunluk analizi 22. Ses iletim etkileri değil, sadece yakın mekansal yakınlığı 1 sensörleri sınırlı Ancak, bu yöntemler nöral jeneratörler hakkında daha fazla bilgi vermemektedir.

Aşağıdaki bölümlerde, makale beyin ve 2 yaşından itibaren çocuklarda bilişsel işlev soruşturma için deneyler Londra Bebek Lab tasarlanmıştır anlatıyor. Sonraki, çocuklu, yüksek yoğunluklu, düşük empedanslı sistemlerin EEG veri toplama tartışılmıştır. Ardından, kanal düzeyde EEG ön işleme ve analiz sunulmaktadır. Lastly, makale kortikal kaynak rekonstrüksiyonu ve kaynak düzey sinyallerin analizi için yapısal MRG verilerinin işlenmesi üzerinde duruluyor.

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 çocuk. Tasarımı EEG ve olaya ilişkin potansiyel deneyleri

Not: Basit bir deney küçük çocuklarda yüz işleme araştırmak için kullanılan olabilir, bu makalenin amaçları için tasarlanmıştır. Aşağıdaki bölümde, deney tanımlamak ve MATLAB R2012b ve Psychtoolbox V3.0.11 23,24 kullanarak uygulamak için nasıl açıklayacağız. Duygusal yüz ifadesi 25'in NimStim kümesinden alınan Resimlerde, bu örnekte kullanılmıştır. Bu uyarıcı set istek üzerine araştırma amaçlı kullanılabilir ( http://www.macbrain.org/resources.htm ).

  1. Uyaranlar arasındaki farklılıkları azaltmak için gri skala RGB resim transfer. Bakınız Tablo 1 Not:. Bu komutlar İşleme Toolbox (Görüntü gerektirir http://www.mathworks.co.uk/products/image/ ). Ücretsiz alternatifler t bulunabilirDosya Değişimi hrough ( https://www.mathworks.co.uk/matlabcentral/fileexchange ).
  2. Komutları bir dizi (bir örnek için bakınız Tablo 1) kullanılarak uyaran sunum tetikleyiciler için hassas zamanlama ile deney uygulamak için deneysel kontrol yazılımı kullanın.

2.. Veri Toplama

  1. Çocuk test ortamı ile rahat olduğundan emin olun. Küçük çocukların bakıcı kucağında ya da rahat bir çocuk koltuğuna oturmak için izin verin. Çocuğun çocuğun kafasına uygulamadan önce sensör net görmek ve hissetsin. Ekstra net varsa, ebeveyn de bir tane deneyin, ya da bir bebek üzerinde bir ya da doldurulmuş oyuncak bir yere sahip.
  2. Çocuk için doğru net boyutunu seçmek için maksimum baş çevresi ölçümü. Bir ölçüm bandı kullanın ve nasion onu tutun. Daha sonra en yüksek çevresi etrafında başının etrafında ölçmek (~ 1inion yukarıdaki cm). Not: Ölçülen baş çevresi bir kayıt ve daha sonra analiz 26 için kullanılan sensör net tutun. Ebeveynlerin kafası aynı durumla çocukların daha rahat yapmak için ölçülür eğer yardımcı olur.
  3. Nasion ve inion ve sol ve sağ kulak çevresidir nokta arasındaki orta mesafe kesiştiği başın tepe belirlemek. Net uygularken köşe kanal doğru şekilde yerleştiğinden emin olmak için bir çin kalem ile bu noktayı işaretlemek.
  4. Sensör net uygulayın ve anahtar kanallar anatomik yerlerinden (nasion, inion, köşe ve sağ / sol mastoid) ile uyumlu olduğundan emin olun. Not: En doğru sonuçlar için, kafasına kanallarının pozisyonu dijital özel sayısallaştırma ekipmanlar kullanılarak elde edilebilir. Sensör pozisyonunu elde etmek isteyen araştırmacılar, uygun yazılım ve donanım el kitaplarına bakmalıdır. Alternatif olarak, anatomik lan boyunca elektrotların standart yerleştirme üstlenecek elektrot haritalarıdmarks kullanılabilir. Bu haritalar analiz bölümünde anlatıldığı gibi uygun kafa modellerini yaş için örülebilmektedirler.
  5. Kanal ayrı ayrı sensörler yerleştirerek kafa derisi ile iyi temas sağlamak; yavaşça yolumdan saç taşımak için yan yana gelen her sensörü bükün.
  6. Kanal kazançları ve kanal empedanslarını ölçün. NetStation EEG kayıt yazılımı kayıt başlar ve kazanç ve empedans ölçümü başlatmak için "Başlat" düğmesini tıklayın. Ölçüm otomatik olarak başlamazsa, "Kalibre Amplifikatör" ve "Net Empedansları ölçün" düğmesini kullanın.
  7. Kırmızı görünecektir 50 kÊ daha yüksek empedanslarla kanallar için kayıt yazılımı kontrol edin. Kanal empedanslarını düşürmek için bir pipet ile ek elektrolit solüsyonu uygulayın. Çevre kanalları (düz hat kanal) daha düşük empedans veya önemli ölçüde daha az faaliyet rağmen yüksek frekanslı aktivite göstermek kanallar için EEG ekranını kontrol edin. Bu kanallar olabilir havkafa derisi ve ayar gerektiren e gevşek temas.
  8. EEG hazırlanması sırasında rahat çocukları korumak için, çocuk çocuklar için sabun baloncukları üfleme, örneğin, müzik dinlemek bir yaşa uygun çizgi film izlemek ya da başka bir deneyci kullanarak onları rahatsız etmek için izin verir.

3. Analizi

  1. Önişleme
    1. Dijital kanal 27 (Tablo 1) sürükleniyor kaldırmak için 0.1 Hz'lik bir kesilme ile yüksek geçiren filtre ile verileri filtre.
    2. ERP analiz için, 30 Hz 27 (Tablo 1) bir kesme ile bir alçak geçiş filtresi uygulayın.
    3. Kayıt sırasında belirlenen tetik kodlarına göre sürekli veri Epoch. Çoğu deneyler için, ilgi (Tablo 1) zaman aralığını kapsayacak şekilde başlamasını ve 600 msn bir uyarıcı sonrası aralığını uyaran önce 200 msn bir temel kullanın.
    4. Hareket veya yanıp eserler içeren dönemini kaldır: mark cgenlik daha yüksek 150 mV tepe bir zirve ile hannels - katılımcı grubu ve veri kalitesine bağlı olarak bu eşiği ayarlayın. Tutarlılık için, bir çalışmada tüm katılımcılar için aynı eşik kullanın. Bir kanal dönemleri arasında en fazla% 30, bu eşiğin üstünde ise, (bu açıdan kabul edilebilir verisi içeren kanal aktivitesi, Çevre kanallardan ara değer olabilir) kanalı çıkarın. Kanalların% 20'den fazla bir çağdayız hatalı olarak işaretlenmiş ise, çağı çıkarın. Kanalları% 20'den fazla algoritması tarafından reddedilir ya da dönemleri arasında en az% 50 muhafaza edilir, daha fazla analiz (Tablo 1) için veri kümesi kaldırma düşünün.
      Not: çağ ve kanal ret yüzdesi eşikler deneyim gürültü yeterli miktarda kaldırmak yuvarIak rakamlardır. Kayıtta dışlayıcı tutarı diğer katılımcı grupları, deneysel paradigmalar veya EEG sistemleri kullanarak farklı olması muhtemeldir. Deneyci yüzdesini ayarlamak isteyebilirsinizeşikleri ve artefakt reddi memnun olup olmadığını kontrol edin. Alternatif olarak, deneyci görsel muayene yoluyla objeyi içeren denemeler reddedebilirsiniz.
    5. Her bir kanal (Tablo 1) için kanallar arasında ortalama aktivitesi çıkarılarak ortalama referans değini Re. Not: tepe elektrot genellikle NetStation bu yöntemde, kayıt referansı olarak kullanılır.
  2. Bağımsız Bileşen Analizi ile Buluntu Düzeltme
    1. HIZLI araç kutusu 28 içine veri almak ve verileri otomatik artefakt ret algoritması (Tablo 1) çalıştırın.
    2. HIZLI için Grafik Kullanıcı Arayüzü (GUI) kullanın; Komut satırında GUI, tipi FASTER_GUI açmak için.
    3. Veriler zaten epoching önce filtre edilmiş olarak filtreleme menüsünde filtreleme seçeneklerini kaldırın.
    4. 2 electrooculagram (EOG) kanalı ile 126 EEG kanalları: kanallarının sayısını belirtin.
    5. EnterBir hücre dizide dizeleri olarak verileri epoching için kullanılan belirteçler. Sunulan olguda için girin: {'yüz', 'scra'} yüz ve şifreli yüz koşulları için.
    6. Bağımsız bileşen analizi (ICA) için kanalları seçin. Tipik olarak tüm kayıt kanallar dahil seçin. dış olmayan EEG kanalları.
    7. GUI sağ bölmesinde giriş ve çıkış klasörü belirtin.
    8. Kayıtlar için uygun kanal dosyasını seçin. Not: Kanal Dosyaları en EEG sistemi için üretici indirilebilir ya da EEGLAB web sitesinden indirilebilir.
    9. HIZLI işlem başlatmak için Çalıştır'ı tıklatın. Kayıtları ve dosyalarının sayısının uzunluğuna bağlı olarak, bu işlem birkaç saat sürebilir.
    10. Görme işlendikten sonra kayıtları, bağımsız bileşen haritalar ve Erps inceleyin.
  3. Olaya ilişkin Potansiyeller Veri Kanal Düzeyi Analizi
    1. Sanal c oluşturulması için birkaç kanal Kombinegürültü oranı daha iyi bir sinyal ile hannel (Tablo 1). Not: kanal seçimi veya literatürdeki önsel hipotezler önceki raporlarda dayanmalıdır. Belirli bir zaman penceresi içinde en yüksek genlik göstermek seçme kanalları 29 tavsiye edilmez.
    2. , Tepe genlik gibi önlemler elde dalga şeklini karakterize ve istatistiksel testler (Tablo 1) gerçekleştirmek için genlik ve zirve gecikme demek.
  4. Sınır Eleman modeller oluşturma (BEM)
    1. Segment anatomik MRG FreeSurfer ile tarayın. Not: En doğru sonuçlar için, her bir katılımcı için ayrı MRI taramalarında sınır eleman modelini temel. Bu mümkün değilse, mümkün olduğunca yakından katılımcıların yaş ortalaması maç MRI şablonlar kullanılmalıdır. BEMS 24 aydan küçük çocuklar için kullanılamaz unutmayın. Sınır eleman modelleri her kabuk (beyin, kafatası, deri) kapalı bir kabuk oluşur varsayalım. Bununla birlikte, yKafatasında oung çocukların fontanelleri kapalı kabuk varsayımını ihlal eden, kapalı değildir.
      1. FreeSurfer yazılımını yüklemek için, ilk FreeSurfer web sitesinden (indirebilirsiniz http://freesurfer.net/fswiki/DownloadAndInstall ). Sonraki, kabuk ortamı FreeSurfer şunlardır kurmak; .. bashrc için, Bashrc dosyasında aşağıdaki komutları içerir:
        1. İhracat FREESURFER_HOME = / Uygulamalar / FreeSurfer /
        2. Kaynak $ FREESURFER_HOME / FreeSurferEnv.sh
          Not: Bu komutlar FreeSurfer klasörü bir Unix sisteminde Uygulamalar klasöründe olduğunu varsayalım. Alternatif kabuk ortamlarda, örneğin csh / tcsh veya FreeSurfer web sitesinde işletim sistemleri ile (kurulum nasıl FreeSurfer için daha fazla ayrıntı vardır http://freesurfer.net/fswiki/DownloadAndInstall ).
      2. Sonraki, Konu Direc tanımlamakTory, çıkış aşağıdaki komutu kullanarak yazılır klasörü yani:
        1. ihracat SUBJECTS_DIR = / ... / BEMS /
          Not: Sonuçlar sistem üzerinde herhangi bir klasöre yazılmış olabilir.
      3. Sonra, aşağıdaki komutu kullanarak Sınır Eleman Modeli için MRG dosyayı içeren klasöre çalışma dizinini değiştirmek:
        1. cd / Users / joebathelt / Neurodevelopmental_MRI_database / Çocuklar / Beyin /
          Not: sistem üzerinde herhangi bir klasör cd komutunun sözdizimi kullanılarak belirtilebilir. Bu, birincil araştırmacılar dosya yapısının bir örneğidir.
      4. Son olarak, aşağıdaki komutları kullanarak yeniden başlatın:
        1. Recon Tüm-i <mri_file>-subjid <subject_id>
        2. Recon Tüm-all-subjid <subject_id>
          Not: Geçerli dizinde istenen MR taraması dosya ile değiştirilmesi gerekiyor <mri_file>. <subject_id> temsilcisi olabilirherhangi bir isim ile bezenmiş. FreeSurfer konu dizininde bu isimde bir klasör oluşturacaktır. Kullanılan sisteme bağlı olarak, son komutları çalıştırmak için biraz zaman gerekebilir.
    2. Örneğin, yanlış segmentasyon için FreeSurfer segmentasyon edin. çakışan küreler, anatomik olası bölmeler vb. beyin fırtınası içine segmentleri ithal ve GUI ekran araçlarını kullanın göre:
      1. Beyin fırtınası olarak, anatomi bölmesini seçin. Sağ konuyla tıklayarak ve "Import Anatomi Klasör" seçerek bölümlü MR İthalat. FreeSurfer çıkışı ile klasörü seçili olduğundan emin olun. Sağ tıklayarak ve seçme "Ekran" ile görsel segmentasyonu inceleyin. Not: Alternatif olarak, FreeSurfer komutları kullanılabilir. Ayrıntılı bir açıklama FreeSurfer web sitesinde bulunabilir: http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. Anatomik parselinin göre ilgi analiz bölgesi isteniyorsa, FreeSurfer fonksiyonları mris_ca_label , mri_annotation2label ve mri_mergelabels kullanılabilir. FreeSurfer yayınlar ve daha ayrıntılı bilgi için çevrimiçi yardım sayfalarına bakın.
  5. Beyin fırtınası olarak kaynak etkinlik tahmin
    1. Komut penceresinde "beyin fırtınası" yazarak BrainStorm başlayın.
    2. Dosya menüsünden Yeni Protokolünü seçerek yeni bir protokol oluşturmak.
    3. Yeni subj ekleEKT Dosya menüsünden Yeni Konu seçerek protokol.
    4. Konuyla ilgili sağ tıklayarak katılımcı ve "İthalat MEG / EEG" seçmek için ithalat EEG verileri.
    5. Sağ tıklayarak ve "Import kanal dosyası" seçerek bir kanal dosyasını içe aktarın. Not: kanal dosyası kaynak rekonstrüksiyon için MRG uyumlu hale getirilmesi gerekmektedir. Beyin fırtınası kullanıcı MRG işaretlemek için gereken 4 anatomik referans noktaları bir sistem kullanır. Daha fazla bilgi için (beyin fırtınası öğreticiler bakınız http://neuroimage.usc.edu/brainstorm/CoordinateSystems ). Belirli bir EEG sistemi veya, ideal, önce EEG kaydı için dijitalize edildi baş pozisyonları kullanılabilecek bir kanal dosyası tarafından tanımlanan standart pozisyon.
    6. Sağ "konu için kanal dosyasını tıklayın ve" MR tescil "gidin ve: beklendiği gibi BEM ve kanalları hizaya olmadığını kontrol edin, "Kontrol edin. Not: modeli içinde küreler örtüşen veya kanallar BEM içinde ise, kaynak imar yanlış sonuçlar üretmek olacaktır. "MR segmentasyon" menüsünden "Düzenle" seçeneğini kullanarak hizalamasını ayarlayın.
    7. Katılımcı üzerinde sağ tıklayarak her çağın başlangıca gürültü kovaryans matrisi hesaplamak ve "Gürültü Kovaryans Matrisi" seçme ve "Kayıt hesaplayın." Not: beyin fırtınası araç kutusunun yazarları kısa kayıtlar için diyagonal bir gürültü kovaryans matrisi (~ kanalları daha az zaman noktaları) ve daha uzun kayıtlar için tam bir birini kullanmanızı öneririz. : Daha fazla bilgi için beyin fırtınası Kaynak Tahmini öğretici bakın http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
    8. Konu ve seçme "yüklü bilgisayar üzerinde sağ tıklayarak Source Model hesaplayıne kaynak modeli ".
    9. Konuyla sağ tıklayarak derinlik ağırlıklı Minimum Norm Tahmini kullanan ve "Compute Kaynak" ve "Minimum norm tahminini" seçerek ters çözüm hesaplayın. Not: Diğer seçenekler (DSPM, sLORETA) bulunmaktadır. Her seçenek farklı avantajları ve dezavantajları vardır. Algoritma, literatürde önsel hususlar ve daha önceki raporlara göre seçilmelidir. Diğerleri yaygın aktivasyonu için daha uygun iken Dahası, bazı algoritmalar, belirli alanlarda odak aktivasyonunu çözümünde daha iyi. MEB literatürde 16 önceki raporlara dayanarak bu çalışma için kullanılmıştır. Tutarlılık için, ters bir çözüm için aynı algoritma bir çalışmada tüm katılımcılar için kullanılmalıdır. Araştırmacılar aynı zamanda farklı ters çözüm algoritmaları uygulama sağlam bulgular nasıl karşılaştırmak isteyebilirsiniz.
    10. Çalışmada, tüm katılımcılara Bölüm 3 tekrarlayın. Not: gra kullanın Yaphical karıştırma arabirimi veya katılımcılar için işlem adımlarını tekrarlayın komut. Talimatlar için beyin fırtınası belgelerine (Bkz. http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript ).
    11. İşlem Menüsü kayıtları sürükleyerek ve "durum (tabi ortalama) tarafından" "Ortalama" ve seçerek katılımcı başına çalışmalarda üzerinde ortalama kaynak etkinlik.
    12. "Süreçler 2" seçerek ve tek bir pencerede her koşul sürükleyerek durumunu Kontrast. Sonra, tasarımına bağlı olarak "Test" ve "Student t-testi" ya da "Student t-testi (eşleştirilmiş)" seçeneğini seçin. "Stat" menüsünde çıkan istatistiksel harita ekranında çoklu karşılaştırmalar, set genlik ve alan eşikleri gerçekleştirmek için. Not: Alternatif olarak, aktivasyon haritalar SPM (ihraç edilebilir http://www.fil.ion.ucl.ac.uk / dak /) daha derinlemesine istatistiksel analiz için ( http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12") .
    13. Ilgi bir bölge için olay ile ilgili tepkisini hesaplayın. Parselasyon bazlı ROI'ler için, anatomi menüsünde korteks yüzeyinde sağ tıklayarak FreeSurfer Parselasyon yüklemek ve "Import etiketleri" seçeneğini seçin. Ilgili dosyayı gidin ve yükleyin. Şimdi, fonksiyonel veri menüsünün "Scout" bölmesinde bir ROI seçin.
    14. Süreç 1 pencerede dosya sürükleyerek ROI olay ilişkili aktivite elde ve Kaynaklar menüden "Scout Zaman Serileri Extract" seçeneğini seçin. Not: Birkaç ROI'ler aynı anda seçilebilir ve ROI zaman serisi izci zaman sağ tıklayarak ileri komplo ve analiz için ihraç edilebilirserisi verileri ve seçme "Matlab Aktar".

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

Bebekler ve çocuklar için Tasarımı ERP deneyler sık sık uzun tekrarlı deneyler 30 tahammül sınırlı kapasitesi, meydan okuyor. Doğru kaynak rekonstrüksiyon 1. 1. görüntüler çok küçük çocuklar ile birlikte kullanılabilir yüz işleme mekanizmalarının araştırılması için bir deney protokolü Şekil gürültü oranı yüksek bir sinyal gerektirir çünkü deneyci, kaynak yeniden başvurmayı planlıyor Bu sorun daha da ağırlaşmaktadır. Paradigma çocuklar yetişkin gönüllü b) arası uyaran aradan sonra dikkat gaspçı ekleyerek deneme daha ilgi çekici hale getirmekten daha göz hareketlerini kontrol etmek daha mümkün olacak çünkü), uyaran sunum sırasında göz yanıp söner ve göz hareketlerini en aza indirmek için uyarlanmıştır. Göz kırpması ve göz hareketleri ekranın merkezine dikkat çekmek için kısa bir süre önce uyaran bir tespit haç sunarak kontrol edilir. Bundan başka, uyarıcı süresiGöz hareketleri ile görüntüyü taramak için zamanı minimize ederken uyaran bilinçli algıyı 500 msn, ayarlanır. Dikkat kapmak eş zamanlı bir ses ile sunulan çocuk dostu bir görüntü oluşur. Farklı dikkat kapmak uyaranların rastgele seçimi çocuk için görev ilginç tutmak için kullanılabilir. Bu çocuk yine ekranın merkezinde bakıyor izleme sistemi açık olduğunda sonraki duruşma, deneyci tarafından başlatılabilir. Buna ek olarak, hikayeler büyük çocuk ekrana katılmak yardımcı olmak için kullanılabilir. Bu EEG kaydı çocuğun görevi anladığından emin olmak için önce çocuklarla görevleri uygulama için genellikle yararlı olur. Uygulama oturumunda elde edilen tarama soruları ya da puanlar daha sonraki analizlerde kovaryat olarak kullanılabilir.

Deney için gerekli tekrar sayısı hesaplanırken, birçok çalışmalar nedeniyle dikkatsizlik o kayıp olabileceğini dikkate almak önemlidirr hareket artefakt çocuklarla çalışırken. Genel bir kural olarak, tekrar gerekli sayıda yetişkin çalışmalara göre iki katına veya daha geniş bir katılımcı sayıda işe alınmalıdır. Dikkat süresi ve işbirliği yetişkinlere oranla çocuklarda sınırlıdır. Görevi tasarlarken nedenle, akılda çocukların özel ihtiyaçlarını tutmak. Uzun bir görev arasında tatili ile kısa görevlere birkaç blok ayrılabilir. Birçok uyarıcı koşulları için yeterli denemeler elde etmek için gerekli uzun bir süre için işbirliği etmek mümkün olmayacaktır Tipik olarak, bu deneye dahil edilebilir durumların sayısı, çok küçük çocuklar için daha küçüktür.

Sunulan rakamlar 6 yaşındaki bir çocuk (6 yıl 3 ay) ile bir kayıt dayanmaktadır. Kafa modeli 6 yaşındakilerin 31 ortalama MRG şablona dayanıyordu. Şekil 5, yüz uyaranlara yüz ve şifreli yanıtları potansiyeli (ERP) ilgili kanal seviye olayını gösterir. Waarka kanal üzerinden ERP veform negatif bir sapma ve takip eden bir geniş pozitif sapma ardından pozitif sapma beklenen modelini gösterir. Topografya, zaman tabii ve paradigmanın niteliğine göre, bu deplasmanlar P100, N1 ve geç pozitif potansiyel bileşeni temsil etmek olasıdır. Ayrıca, erken negatif sapma şifreli yüzlere göre yüz uyaranlara için önemli ölçüde büyüktür. Bu nedenle, belirli bir yüz N170 bileşen yansıtması muhtemeldir. Şekil 5'de topografik haritalar 250 ve 300 ms arasında voltaj dağılımını göstermektedir. Yüzleri durumda sağ oksipito-zaman kanal üzerinden en fazla negatif voltaj belirgindir.

Şekil 6 standart yetişkin kafa modeline ve yaşına uygun kafa modeline dayalı öngörülen kaynak aktivitesinin istatistiksel karşılaştırmasını göstermektedir. Kaynak rekonstrüksiyon ağırlıklı derinliği olan bir sınır eleman modeli (BEM) dayalıv 3.1 32 beyin fırtınası asgari norm tahmin (wMNE) ve tam gürültü kovaryans matrisi. Varsayılan MNI Colin27 BEM yetişkin model olarak kullanılmıştır. Kaynak etkinlik kanal düzeyde yüz belirli tepkiler doğrultusunda 250 ile 300 msn arasında zamanla ortalama edildi.

Harita yanlış keşif oranı (FDR) kullanılarak çoklu karşılaştırmalar için düzeltilmiş yüzleri ve karıştırılmış yüzleri durum arasında bir Student t-testi karşılaştırmanın sonuçlarını göstermektedir. Sonuçlar şifreli yüzler durumuna göre yüzlerinde Temporal lob içinde önemli ölçüde daha güçlü kaynak aktivasyonunu gösterir. Yaşa uygun modeli kullanılarak lokalizasyonu temporal korteksin ventral yüzeyinde güçlü farklılıklar ile daha odak olduğunu. Yetişkin kafa modeline dayanan yerelleştirme daha dağınık ve yaşına uygun kafa modeline dayalı harita üzerinde çoğunlukla yoktur sağ medial ve superior temporal girus üzerine kaynak etkinlik farklılıklar göstermektedir.

Şekil 1

Bir yüz algılama Şekil 1.. Örnek deney yüzlerinden resim veya şifreli yüzleri görsel sunum oluşan geniş bir yaş aralığında uygun deneme. Uyaranlara fiziksel olarak özdeş olan fakat uzaysal düzenleme karıştırılmış durumda randomize edilir. Her deneme uyaran sunum sırasında göz hareketlerini en aza indirmek için bir tespit haç merkezi sunumu ile başlar. Fiksasyon çapraz sunum süresi birden tekrar üzerinde sürüklenme etkileri önlemek için randomize edilmiştir. Uyarıcı 500 msn bir süre boyunca sunulmuştur. Kısa süreli de sunum penceresi sırasında göz hareketlerinin şansını en aza indirmek. Bir dikkat çekici uyarıcı 1 sn ve 2 saniye arasında rastgele süresi ile arası bir deneme aradan sonra sunulmaktadır. Attention gaspçı sırayla olmayan ilgi çekici malzemenin birçok denemelere katılmak için olası değildir çok genç katılımcılar için özellikle yararlıdır. Deney katılımcı ilgi kapmak yanıt ekranda arıyor zaman, bir sonraki deneme başlayabilirsiniz.

Şekil 2,
Şekil 2. Eşik ret algoritması akış diyagramı. Algoritma bir dizi eşik her çağda, her EEG kanalın maksimum karşılaştırır. Bir kanal eşiğinin üzerinde en yüksek etki varsa, kanal kötü olarak işaretlenir. Kanalları% 20'den fazla, belirli bir devirde kötüyse, dönem reddedilir. Dönem reddi sonra, her bir kanal en yüksek aktivite yeniden eşik ile karşılaştırılır. Bir kanal her döneminde fazla% 30 eşiğinin üzerinde aktivitesi varsa, kanal reddedilir. Kanallarının% 20'den fazla bu prosedür tarafından reddedilir ya da durumun başına çağların az% 50 çağ reddedilmesinden sonra bırakılırsa, dataset daha fazla analiz dışında olmalıdır. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Şekil 3,
Şekil 3. FASTER araç kutusunu 28 kullanarak otomatik düzeltme eserdir. Rakam bu makalede açıklanan kurulum ve işleme boru hattı ile HIZLI araç kutusunu kullanmak için değiştirilmesi gereken seçenekleri gösterir:.. Kümesi zaten 2 süzüldü, çünkü 1 Filtreleme, devre dışı bırakılmalıdır kanal sayısı ayarlanması gerekiyor. Bu makalede kullanılan EEG sistemi ile 126 kanal var2 EOG kanalları. 3.. Zaman dizeler bir hücre dizi. 4 olarak belirtilmesi gerektiğini kilitleme için olay işaretçileri. Olaya ilişkin tepki için zaman penceresi ikmal edilmesi gerekmektedir. Bu durum, daha önce epoching aşamasında kullanılan pencere ile aynı olması gerekir. 5.. Kullanıcı, bağımsız bileşen analizi (ICA) için kanal tanımlamak zorundadır. Çoğu durumda, bu kanal tüm EEG ve göz kanalları (EOG) gibi ilgili dış kanal ihtiva edecektir. 6. Göz kanallarının endeksleri de kullanılan EEG sistemine ayarlanması gerekir. EEG sistemi tarif için, bu kanallar 125 ve 128 olacak. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Şekil 4,
Fibeyin fırtınası 32. 1. Güre 4. Kaynak analizi. EEG dataset ve FreeSurfer yüzeyleri içe aktardıktan sonra, Sınır Eleman Modeli (BEM) "Kaynak" menüsünden. 2. "Compute baş modeli" seçilerek hesaplanabilir. gürültü kovaryans matrisi "Compute gürültü kovaryans" seçerek kayıtları hesaplanabilir. Kayıt yeterince uzunsa, sensörler yani daha fazla zaman noktalarında, tam kovaryans matrisi, aksi diyagonal matris tavsiye edilir, hesaplanabilir. 3.. Baş modeli ve gürültü kovaryans matrisi hesaplandıktan sonra, bu ters bir çözelti elde etmek mümkündür. Değişik algoritmalar da kullanılabilir. Minimum Norm Tahmini (wMNE) algoritma ağırlıklı derinliği Bu yazı için kullanılmıştır. 4.. Ilgi alanları (ROI) bölgelerinde kaynak aktivitesinin zaman ders "Scout Zaman Serisi Özü" f seçerek elde edilebilir "Kaynak" menüsünü rom. FreeSurfer otomatik kortikal Parselasyon itibaren ROI'ler bu örnekte kullanılmıştır. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Şekil 5,
Zamansal kanallar oksipito hakkı üzerinde yüz uyaranlara yüz ve şifreli için Şekil 5. Olaya ilişkin potansiyeller yanıtı (ERP). ERP şifreli yüzlerine kıyasla yüzler için sağ tarafta uyarıcı başlangıcından sonra 130 ve 220 ​​milisaniye arasında daha negatif sapmayı göstermektedir. Bu özellikler N170 bileşeninin 33 hakkında önceki raporlar ile uyumludur. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

ove_content "fo: keep-together.within-page =" always "> Şekil 6,
Şekil 6. Varsayılan bir yetişkin kafa modeli ve uygun bir kafa modeli arasındaki kaynak lokalizasyonu karşılaştırılması. Figürün üst satır ortalama bir FreeSurfer parselinin dayalı sol ve uygun yaşa kafa modeline MNI yetişkin sınır baş modeli colin27 gösterir Sağdaki 6 yaşındaki çocuklar için MRI şablonu. Coregistered elektrot konumları yerleri de sunulmaktadır. Kayıt, 6 yaşındaki bir çocuk (6 yıl 3 ay) elde edilmiştir. Yanlış Discovery Oranı (FDR) kullanarak birden çok karşılaştırma için düzeltilmiş bir t-testine göre şifreli yüzler durumuna göre yüzlerinde MEB kaynak rekonstrüksiyon aktivasyon haritalar arasında istatistiksel karşılaştırma ikinci ve üçüncü sıra sonuçları göster. Renkli harita yüksek aktivite gösteren kırmızı etki büyüklüğünü göstermektediryüzleri durumuna ve karıştırılmış yüzleri durumda yüksek etkinlik gösteren mavi. Hiçbir genlik veya boyut eşikleri uygulanmış olduğunu unutmayınız. Yerelleştirme yetişkin BEM kıyasla yaşına uygun kafa modelini kullanarak zamansal direğin ventral yüzeyinde daha fazla odak belirir. , bu rakamın daha büyük bir versiyonunu görmek için buraya tıklayınız.

Şekil 7
Şekil 7. Kaynak yüzlerine cevaben sağ fusiform girusun ERP ve MEB ile bir yaş uygun BEM kullanarak 6 yaşındaki bir çocuk (6 yıl 3 ay) elde edilen bir kaydın kaynağı yeniden dayalı yüzleri şifreli kaynak ERP, bir daha göstermek s kıyasla yüzleri durumda uyaranın başlangıcından sonra 250 milisaniye civarında negatif sapmacrambled durumu ile karşı karşıyadır. Bu aktivite yüzleri durumda N170 bileşenine doğru fusiform girusun katkıda bulunduğunu yansıtıyor muhtemeldir.

<td>
Aşama 1.1 için giriş Tanım
input_image = imread ('/ Users / some_user / images / example.jpeg'); % Görüntüyü Okuma
gray_image = rgb2gray (input_image); % Gri skala RGB aktarma
saveas (gray_image 'grey_image.tiff'); % Yeni görüntü kaydetme
Aşama 1.2 için giriş Tanım
Kod örneği:
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Housekeeping
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
CLC Çalışma alanından% takas değişkenleri
Hepsini silmek
yakın bütün % Düşük gecikme moduna ses sürücülerinin ayarlanmasıyla
InitializePsychSound ([0]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Değişkenler
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
input_folder = 'C: Documents and Settings ERP Lab Users MATLAB Faces_Houses Belgelerim '; % Çalışma dizini tanımlayan
NetStation = 1;
% Bu NetStation EEG kayıt yazılımı ile iletişim değiştirir
% Olan bir dizi tanımlayan
no_of_trials = 80; % Betw kolay taşınabilirlik için klavye adlarını birleştirecekeen Unix ve PC versiyonları
KbName ('UnifyKeyNames'); % Bir kaçış anahtar presler için bir değişken tanımlanarak
Escape = KbName ('KAÇIŞ');
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Loading uyaranlar
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
face_directory = Strcat ('C: Documents and Settings ERP Lab Users MATLAB Faces_Houses Yüzler My Documents '); % Uyaranlara resimlerle klasörü temin
dosya = dir (face_directory); % Tüm resim uyaranlara içeren bir liste oluşturma
= {} files.name yüzler;
yüzleri (1:2) = [];
grabbers = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / gaspçı /'); </ Td>
grabbers = {grabbers.name};
grabber (1:2) = [];
grabber_sounds = dir ('/ Users / joebathelt / Dropbox / preterm_oddball / / sesleri');
grabber_sounds = {grabber_sounds.name};
grabber_sounds (1:2) = [];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Denemenizi başlatma
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
eğer NetStation == 1; NetStation ('Bağlantı', '194 .82.245.131 ', '55513') Kayıt yazılımı ile% senkronizasyon
NetStation ('Senkronize', 10) Doğruluk 10 msn dahilinde% senkronizasyon
NetStation ('StartRecording'); % Kayıt başlar
% Ekranı ayarlama
screenNum = 0; Sunum ekranın% kimlik numarası
% Uyaran sunum için bir pencere tanımlayan
[Display.w, display.rect] = Ekran ('OpenWindow', screenNum, 0);
[WPtr, rect] = Ekran ('OpenWindow', screenNum); % Fare imleci gizleme
HideCursor;
siyah = BlackIndex (wPtr); % Siyah arka plan ayarlama
Ekranı ('fillRect', wPtr, siyah); % Metin ekran için yazı tipi ve yazı tipi boyutunu tanımlayan
Ekran ('TEXTFONT' display.w 'Arial');
Ekranı ('TEXTSIZE', display.w, 32);
Ekranı ('textstyle', display.w, 0);
no_of_trials: i = 1 için
FlushEvents
rasgele = Randi (2);
% Rastgele bir dikkat kapmak resmi seçtikten
attention_grabber = imread (Strcat (input_folder, 'gaspçı /', cell2mat (gaspçı (Randi (uzunluk (gaspçı))))));
[Sesler, fs, nbits] = wavread (Strcat (input_folder, '/ sesler', cell2mat (grabber_sounds (Randi (uzunluk (gaspçı))))));
audio_handle = PsychPortAudio ('Aç', [], [], 0, fs, uzunluk (sesler (1, :)));
'= sesler geliyor; % Rastgele bir dikkat kapmak sesi seçip
PsychPortAudio ('FillBuffer', audio_handle, sesleri);
% Ses sunum kurma
uyaran = Strcat (face_directory,))) Randi (uzunluk (yüzler (yüzler);
uyaran = imread (cell2mat (uyarıcı)); % Bu yüzlerin sunum verileri rastgele ve yüzleri şifreli
eğer rasgele == 2; % Rastgele uyaranların listeden seçilmiş olan uyaran yükleme
uyaran = uyaran (randperm (uzunluk (uyarıcı (:, 1))), randperm (uzunluk (uyaran (1, :))));
Deneme bir şifreli deneme ise% uyarıcı matris çabalıyorlar
stim = Ekran ('MakeTexture', wPtr, çift (uyarıcı)); % Uyarıcı
% Sunum için uyaran hazırlanıyor
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Deneme
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Bu bölümde ilk deneme sadece ilgili
i == 1 ise;
[Nx, ny, kutu] = DrawFormattedText (wPtr, 'Basın başlatmak için herhangi bir tuşa', 'center', 'center', [255 255 255]);
Ekranı ('FrameRect', wPtr, 0, kutu);
[VBLTimestamp StimulusOnsetTim] = Ekran ('Flip', wPtr); Bir tuşa basıldığında kadar% ilk deneme için, metni "Basın başlatmak için herhangi bir tuşa" sunulmaktadır
KbWait ([], 2);
[Nx, ny, kutu] = DrawFormattedText (display.w, '', 'center', 'center', 255); % Boş bir ekran
Ekranı ('FrameRect', display.w, 0, kutu); [VBLTimestamp StimulusOnsetTim] = Ekran ('Flip', wPtr);
% Fixation Çapraz
[Nx, ny, bbox] = DrawFormattedText (wPtr, '+', 'center', 'center', 255);
Ekranı ('FrameRect', display.w, 0, bbox);
[VBLTimestamp StimulusOnsetTim] = Ekran ('Flip', wPtr); % Tespit haç gibi ekranın ortasında beyaz bir artı işareti hazırlanıyor
eğer NetStation == 1; % Tespit haçı sunulması
NetStation ('Olay', 'fix +', StimulusOnsetTim) end
% Fiksasyon çapraz sunum zaman damgası ve EEG kayıt yazılımı kodu "+ fix" ile bir tetikleyici gönderme
% 0.15 ve 0.2 saniye arasında rastgele bir süre için tespit çapraz sunum süresini sınırlayarak
% Uyarıcı % Yüz veya şifreli yüz uyaranı sunma
Ekranı ('DrawTexture', wPtr, stim);
[VBLTimestamp StimulusOnsetTim] = Ekran (wPtr, 'Flip');
eğer NetStation == 1; % Zaman damgası ve kod 'yüz' ya da EEG kayıt yazılımı 'scra yüzü olan tetikleyici gönderme
eğer rasgele == 1;
NetStation ('Olay', 'yüz', StimulusOnsetTim)
elseif rasgele == 2;
NetStation ('Olay', 'SCRA', StimulusOnsetTim)
WaitSecs (0.5) 500 msn% sınır uyarıcı süresi
% Boş bir ekran sunmak
[Nx, ny, kutu] = DrawFormattedText (wPtr, '', 'center', 'center', 255); % Boş bir ekran
Ekranı ('FrameRect', wPtr, 0, kutu);
[VBLTimestamp StimulusOnsetTim] = Ekran ('Flip', wPtr);
WaitSecs (1 + rand (1)) 1 ve 2 saniye arasında rastgele bir süre ile% arası deneme aralığı
% Dikkat gaspçı % Ses ile dikkat kapmak sunmak
Ekranı ('DrawTexture', wPtr, kapmak);
sesler = PsychPortAudio ('Başlangıç', audio_handle, 15, 0, 1);
[VBLTimestamp StimulusOnsetTim] = Ekran ('Flip',, WPtr);
eğer NetStation == 1;
NetStation ('Olay', 'grbr', StimulusOnsetTim) % EEG kayıt yazılımı ilgi kapmak için zaman damgası ve kodu göndermek
Klavyede bir tuşa basılana kadar% dikkat kapmak sunmak ve ses
KbWait ([], 2);
PsychPortAudio ('Dur', audio_handle);
Ekranı ('FrameRect', display.w, 0, kutu); Escape tuşuna basıldığında ise%, denemeyi iptal
[VBLTimestamp StimulusOnsetTim] = Ekran ('Flip', wPtr);
[KeyIsDown, timeSecs, KeyCode] = KbCheck; eğer keyIsDown
eğer KeyCode (Escape)
SCA
NetStation ('StopRecording');
dönüş
% Deneyin sonunda deney kapatmak ve EEG kayıt durdurmak
Ekranı ('CloseAll');
eğer NetStation == 1;
NetStation ('StopRecording');
Adım 3.1.1 için giriş Tanım
OUTEEG = pop_eegfilt (INEEG, 0.1, []); % OUTEEG = EEG, yani filtreleme sonra veri. fonksiyon çıkışı
% INEEG = EEG veri filtreleme önce, yani fonksiyon giriş
% 0.1: Yüksek geçiren kesti frekansı
% []: Low-pass cut-off, tanımsız bir high-pass filtre arzu çünkü
Adım 3.1.2 için giriş Tanım
OUTEEG = pop_eegfilt (INEEG, [], 30); % []: Bir alçak geçiş filtresi istenen çünkü yüksek geçiren tanımsız, kesti
% 30: low-pass cut-off frekansı
Adım 3.1.3 için giriş Tanım
OUTEEG = pop_epoch (INEEG, 'olay', {'yüz', 'SCRA'}, [-0.2 0.6]); % Epoching
% 'Olay', {'yüz', 'SCRA'}: fonksiyon zaman belirteçlerinin kilitleme gibi tetikleyici olaylar 'yüz' ve 'scra' kullanmak için söylenir. Bu tetikleyiciler yüz başlangıcı ve şifreli yüz sti işaretlemek için deney komut tanımlanmıştırmulus sunum başlangıcı.
% [-0.2 0.6] = 0.6 sn zaman-kilitleme olayı önce 0.2 sn den ERP için zaman penceresi
OUTEEG = pop_rmbase (EEG, [-0,2 0]); % Temeli Çıkarma
% [-0.2 0]: olayı kilitleme zaman zaman kilitleme olayından önce bazal zaman penceresi, yani 0.2 sn
Adım 3.1.4 için giriş Tanım
fonksiyonu [EEG] = threshold_rejection (EEG, eşik) % Fonksiyon tanımı, işlevi, bir EEG kümesi yapısı ve uV bir eşik gerektirir
j = 01:02 için
i = 1: length (EEG.data (1,1, :)) % Bu döngüler, belirli bir EEG veri kümesindeki tüm dönemini geçer
Veri = EEG.data (:,:, i);
data = data - ortalama (veri, 2); % Çıkartılarak incie genlik vardiya etkisini önlemek için bir etkinlik anlamına
maxima = max (abs (veri '))'; % Tüm kanallarda en yüksek mutlak aktivitesi tespit
bad_channels = maxima> eşik;
channel_rejection (:, i) = bad_channels;
eğer sum (bad_channels)> 0.2 * 128 Kanalları% 20'den fazla olan% eşiğinin üzerinde ise, devir reddi için işaretlenmiş
epoch_rejection (i) = 1;
başka
epoch_rejection (i) = 0;
j == 1; % Olarak kötü işaretli değil sadece dönemini seçerek
EEG = pop_select (EEG, 'deneme', (epoch_rejection == 0 bulabilirsiniz))
başka Kanal ret dönem reddedilmesinden sonra çağların fazla% 20 kötü% işareti kanallar
bad_channels = ortalama (channel_rejection, 2)> 0.2;
EEG = pop_interp (EEG, bulmak (bad_channels == 1), 'küresel'); % Kötü kanallara küresel interpolasyon uygulanır
Adım 3.1.5 için giriş Tanım
EEG = pop_reref (EEG, []); % Ortalama başvuru hesaplar
Adım 3.2.1 Girdi Tanım
kanal = {'E84 "," E89 "," E90 "," E91 "," E94 "," E95 "," E96'}; % Sağ N170 % 128 kanal Geodesic Hy için kanal etiketleri kullanarak N170 yanıtlar için sağ hemisfer% of% oksipito-zamansal kanallardrocel Sensör Net
EEG = pop_select (EEG, 'Kanal', kanal); % Kanalları seçme
Virtual_channel = ortalama (EEG.data, 1); % Sanal bir kanal için ayrı ayrı kanalları birleştiren
Adım 3.3.2 için giriş Tanım
N170_peak = max (abs ((averaged_ERPs (0.13 * Srate +0.2 * Srate: 0.2 * Srate +0.2 * Srate), [], 2)); UV her bir katılımcı için bir gecikme pencere içinde% maksimum genlik
N170_peaklatency = 1000 * (bulmak (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 Msn'de% Tepe gecikme
N170_mean = ortalama (averaged_ERPs: 0.13 * Srate +0.2 * Srate: 0.2 * Srate +0.2 * Srate), [], 2); % Ortalama genlik içinde mV

Tablo 1. MATLAB inci uygulamak için komutlarıe örnek deney ve kanal ve kaynak-düzeyinde yüksek yoğunluklu EEG kayıtları analiz. tablo yüzleri uygulamak için kodu özetler vs yüzleri örnek deney şifreli. Bundan başka, ön ham EEG işlenmesi için kod sunulmuştur. Buna ek olarak, olay ile ilgili tepkinin kanal seviye analiz için dalga özelliklerinin ayrılması için yöntemleri gösterilmiştir.

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

Bu makale yaş çocuklar için uygun standart bir ERP paradigma uygun ortalama MRG şablonlar ve derinlik ağırlıklı asgari norm tahmin dayalı sınır eleman modelleri kullanılarak kortikal jeneratörler yeniden inşası için yüksek yoğunluklu EEG kayıt ve analizini açıklar. Bu paradigmada, yüzleri ve şifreli yüzler resimleri sunulmaktadır. Farklı yazarlar gelişme üzerinde 35 yüz işleme mekanizmalarının geliştirilmesini araştırmak için bu paradigma kullandı. Kanal düzeyde, geçici kanallar oksipito hakkı üzerinde daha fazla olumsuz deplasmanlar şifreli yüz durumuna yüz durum için tarif edilmiştir. Topografya, gecikme ve tepki karakteristik N170 bileşeninin 34 ile uyumludur. Önceki kaynak ve eş zamanlı EEG fMRI araştırmalar fusiform girus N170 yanıtın olası bir jeneratör olduğunu bildirmektedir. Mevcut analiz sonuçları göstermektedir ki, bir derinlik ağırlıklı sınır ile kaynak inversiyoneleman modeli (BEM) bireysel katılımcıların düzeyinde yüz şifreli yüz paradigma fusiform girus kaynak etkinliğine lokalize etmek için de kullanılabilir. Bireysel katılımcının anatomisine ve yaş uygun kullanımına göre baş modellerin kullanımı, tek tek anatomi kullanılamaz olduğu gelişim çalışmalar için anatomik taramalar ortalama en doğru kaynak lokalizasyonu 2 sağlayacaktır. Ayrıca, ilgi bölgeleri özellikle kortikal bölgelerin olaya ilişkin tepkisini araştırmak anatomik bilgi veya otomatik parselasyon algoritmalara dayanarak tespit edilebilir.

Kaynak rekonstrüksiyonu için çeşitli sınırlamalar şu anda, özellikle gelişimsel örnekleri vardır. İlk olarak, farklı yaş grupları için ortalama şablonlara dayalı kaynak imar bireysel mutlaka özellikle hasta gruplarında, durum olmayabilir onların kronolojik yaş, tipik beyin gelişimini gösterir varsayar. IçinÖrneğin, çeşitli çalışmalar otistik 37 Preterm 36 çocuklar doğmuş çocuklar için beyin büyüme atipik yörüngeleri nitelendirdi. Bu anatomik farklılıklar ters çözüm ve atipik ve tipik kontrol grupları arasında karşılaştırmalar önyargı sonuçlarının doğruluğunu nasıl etkileyeceğini tahmin etmek zordur.

İkincisi, bu tür sınır eleman modeli (BEM) gibi ileri modelleri gri ve beyaz madde arasındaki farklar, örneğin, bölmeler içinde iletkenlik homojensizliklerin dahil etmezler. Subkortikal kaynakları için doğruluğu bu nedenle sınırlıdır. Kaynak çözümleri bu nedenle kortikal kaynaklar sınırlı idi. Sonlu eleman modelleri subkortikal jeneratörleri daha doğru çözülmesi için uygulanabilir. Kortekse sınırlı çözümleri ile, kortikal bölgelerde aktivasyon yatan subkortikal nedensel mekanizmaları, örneğin, talamik döngüler yoluyla geri bildirim iletişim yansıtmak olabileceğini akılda tutmak önemlidir.Daha karmaşık modeller şu anda tipik bir yetişkin anatomi, örneğin, Dinamik nedensel Modelleme 38,39 için geçerli olduğunu kullanılmadığı sürece nedenle, kortikal bölgelerin tutulumu hakkında nedensel çıkarımlar sınırlıdır.

Ayrıca, Sınır eleman modelleri her bölüm için kapalı kabukları varsayalım. Ancak genç bebeklerin kafatası kemikleri arasındaki dikişler tam 15 katıştırılmaz kafataslarının yumuşak noktalar var. BEM Bu varsayım ihlali ciddi 2 yaşından daha genç bebeklerde BEMS ile kaynak rekonstrüksiyon uygulanabilirliğini sınırlandırmaktadır. Sonlu eleman modelleri bu yaş aralığındaki kaynak rekonstrüksiyon için kullanılabilir.

Üçüncü olarak, yaşa uygun kafa modelleri kaynak rekonstrüksiyonu için kullanılmış olsa bile, yetişkin örneklere dayanarak iletkenlik değerleri her bölmenin içinde iletkenliği modellemek için kullanılmıştır. Ancak, doku iletkenlik örneğin, gelişimi üzerinde değiştirmek olasıdır. AracılığıylaKemik yoğunluğunda 15 artar. Insan bebekler ve çocuklar için BEMS kullanılan doku türleri için iletkenlik değerleri, şu anda bildiğimiz kadarıyla mevcut değildir.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Bu yazı için yayın masrafları Elektrik Geodezikler, Inc tarafından sponsor edildi

Acknowledgments

Biz bize Gelişim MRG veritabanı ve yararlı tartışmalar erişim verilmesi için Prof John Richards, Güney Carolina Üniversitesi, teşekkür etmek istiyorum. Biz de bizim maliyeciler Great Ormond Street Çocuk Charity, UCL Etki & Grand Zorluklar teşekkür etmek istiyorum.

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).
Çocuklarda Yüksek Yoğunlukta EEG Recordings kortikal Kaynak Analizi
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