Summary
Este artigo descreve a análise de microestado protocolo subjacente de eletroencefalografia (EEG) e análise de complexidade de omega, que são duas medidas de EEG livre de referência e altamente valioso para explorar os mecanismos neurais de distúrbios cerebrais.
Abstract
Complexidade de microestado e omega são duas medidas de referência livre Eletroencefalografia (EEG) que podem representar as complexidades temporais e espaciais de dados de EEG e têm sido amplamente utilizadas para investigar os mecanismos neurais em alguns distúrbios cerebrais. O objetivo deste artigo é descrever o protocolo subjacente EEG microestado e omega complexidade análises passo a passo. A principal vantagem destas duas medidas é que eles poderiam eliminar o problema de referência dependente inerente à análise de espectro tradicional. Além disso, análise de microestado faz bom uso do tempo de resolução de EEG descansando-estado, e as quatro classes de microestado obtidos poderiam combinar com as redes de descanso-estado correspondentes, respectivamente. A complexidade de ômega caracteriza a complexidade espacial do cérebro inteiro ou regiões específicas do cérebro, que tem a óbvia vantagem em comparação com as medidas de complexidade tradicional enfocando a complexidade de sinal em um único canal. Estas duas medidas de EEG podem se complementam para investigar a complexidade do cérebro do domínio espacial e temporal, respectivamente.
Introduction
Eletroencefalografia (EEG) tem sido amplamente utilizada para gravar a atividade elétrica do cérebro humano, tanto no diagnóstico clínico e de investigação científica, desde que é não-invasivo, de baixo-custo alocado e tem altíssima resolução temporal de1. A fim de estudar os sinais de EEG em estado de repouso, os investigadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Destes, análise de microestado e análise de complexidade de ômega poderiam fazer bom uso da informação espacial e temporal inerente de sinais EEG4.
Pesquisas anteriores mostraram que, embora a distribuição topográfica de sinais EEG varia ao longo do tempo no olho fechado ou olho-aberto para o estado de repouso, a série de mapas momentâneas mostra mudanças descontínuas de paisagens, ou seja, períodos de estabilidade alternados com períodos de transição curta entre certos de topografias de EEG quase estável5. Microestados são definidos como estes episódios com topografias de EEG quase estáveis, que duram entre 80 e 120 ms1. Desde paisagens de potenciais elétricas diferentes foram geradas por diferentes fontes neurais, estes micro-Estados podem qualificar-se como os blocos básicos de atividade mental e podem ser considerados como "átomos de pensamento e emoção"6. Usando algoritmos de classificação padrão moderno, quatro classes de microestado do EEG de repouso têm sido consistentemente observados, que foram rotulados como classe A, classe B, classe C e classe D7. Além disso, pesquisadores revelou que estas quatro classes de microestado de dados de EEG de repouso estava intimamente associado com conhecidos sistemas funcionais observados em muitos estado descansando RM (ressonância magnética funcional) estudos8,9 . Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Além disso, a duração média e a frequência de ocorrência de cada classe de microestado, a forma topográfica dos quatro mapas microestado são significativamente influenciados por algum cérebro desordens4,10,11, e estão associadas a inteligência fluida personalidade de12 e13.
No outro aspecto, conectividade funcional tradicional de multi-canal EEG só poderia descrever as conexões funcionais entre dois eletrodos no couro cabeludo, assim, não conseguiram avaliar a conectividade funcional global através do couro cabeludo, ou dentro de uma determinada região do cérebro. A complexidade de ômega, proposto pela Wackermann (1996)14 e calculados através de uma abordagem que combina a análise de componentes principais (PCA) e entropia de Shannon, tem sido utilizada para quantificar a sincronização global de banda larga entre espacialmente distribuído a regiões do cérebro. Para avaliar a complexidade de ômega de cada banda de frequência, transformada de Fourier foi comumente realizada como uma etapa inicial de25.
Os microestados e complexidade ômega podem ser usados para refletir a dois conceitos intimamente ligados, ou seja, a complexidade temporal e complexidade espacial4. Desde as classes de microestado representam certas operações mentais no cérebro humano, eles podem refletir a estrutura temporal das oscilações neuronais. Menor duração e maior taxa de ocorrência por segundo devem indicar maior complexidade temporal. A complexidade de ômega está positivamente relacionada com o número de fontes independentes de neurais no cérebro, assim são comumente considerado como um indicador de complexidade espacial4.
O atual artigo descreve o protocolo de análise de microestado de EEG e análise de complexidade de ômega em detalhe. As análises de complexidade de microestado e omega de EEG oferecem a oportunidade de medir a complexidade espacial e temporal da atividade cerebral, respectivamente.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Este protocolo foi aprovado pelo Comitê de ético local. Todos os participantes e seus pais assinaram um formulário de consentimento informado para este experimento.
1. temas
- Incluir apenas 15 masculinos adolescentes sujeitos saudáveis, cuja idade varia de 14 a 22 anos (± desvio padrão de dizer: 18,3 ± 2,8 anos).
Nota: O atual protocolo para analisar a complexidade de microestado e omega foi desenvolvido para indivíduos saudáveis, mas não está restrito apenas este grupo.
2. gravação de dados de EEG
- Pergunte assuntos para sentar em uma cadeira confortável em um quarto silencioso, com temperatura controlada, onde os dados do EEG foi gravados. Colete os dados de EEG de 20 canais usando o sistema de EEG de formiga no presente protocolo.
- Coloque a tampa na cabeça dos assuntos.
- Neste estudo, use um boné com tamanho médio, já que era apropriado para assuntos mais adolescentes ou masculinos. Para as crianças, por favor medir a circunferência da cabeça de cada assunto e determinar a tampa com tamanho adequado.
- Coloque o eléctrodo Cz em aproximadamente 50% da distância entre Ínion e nasion e 50% da distância entre os recuos à esquerda e direita inter aurais. Coloca os eletrodos de referência sobre o osso mastoide esquerdo e direito, respectivamente. Coloque os outros eletrodos no couro cabeludo nos locais padrão, de acordo com o international sistema 10-20.
Nota: Um sistema de eletrodo e EEG amplificador com 20 canais é suficiente para análise de microestado de EEG e análise de complexidade de ômega.
- Preencha todos os eletrodos com gel condutor, através da inserção de uma agulha através dos eléctrodos. Use o gel condutor para reduzir a impedância. Mantenha todas as impedâncias de eletrodo inferior a 10 kiloohms (kΩ).
- Durante este período, fornecer algum entretenimento para os indivíduos (por exemplo, mostrar um curta-metragem). Se for utilizado um eletrodo seco ou um eletrodo de salino, ignore a etapa de injeção de gel condutor.
- Instrua os sujeitos para relaxar com os olhos fechados durante a gravação, que dura 5 min. Use o software de digitalização para digitalizar e gravar o EEG do sinal. Use uma taxa de amostragem pelo menos 250 amostras/s. Use um filtro de linha mais amplo do que 0.1 e 80 Hz.
Nota: Embora mais comerciais disponíveis eletrodo-amplificador sistemas usam um sistema de eletrodo ativo, o que poderia melhorar a relação sinal / ruído do sinal de EEG, não coloque este sistema perto quaisquer dispositivos elétricos durante a gravação de EEG.
3. EEG dados pré-processamento
Nota: Dados de EEG podem ser pré-processados usando vários código aberto ou software comercial. As instruções abaixo são específicas para EEGLAB. Este é apenas um sem muitas opções disponíveis para pré-processar os dados de EEG.
- Importar os dados brutos do EEG para o software de EEG (por exemplo, EEGLAB) (arquivo | Importar dados | Usando funções EEGLAB e plugins).
Nota: Os dados brutos do EEG gravados a partir de vários sistemas de eletrodo-amplificador podem ser reconhecidos pelo EEGLAB, tais como EGI, formiga, gravador de visão do cérebro e Neuroscan. - Carregar o arquivo de localização do canal para o software de EEG (editar | Locais de canal). Embora os dados de EEG e os nomes de canal foram importados para EEGLAB, importe um arquivo de localização de canal no software do EEG para obter a localização espacial desses eletrodos.
- Remova os eletrodos de referência (editar | Selecione dados | Selecionar dados no intervalo de canal). Na opção de "Dados Select na gama de canais" da caixa de diálogo pop-up, selecione apenas os eletrodos de gravação e não selecionar os eletrodos de referência para que os eletrodos de referência podem ser removidos. Os dados registrados em eletrodos de referência não são sinal de cérebro 'verdadeiro', uma vez que estes dois eletrodos são colocados no osso mastoide esquerdo e direito, respectivamente.
- Band pass filtro o EEG dados entre 0,5 e 80 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha 5 para "borda inferior da faixa de passagem de frequência (Hz)" e escolha 80 para "a borda superior da banda de passagem de frequências (Hz)". Clique no botão de "Okey".
- Remover o ruído da linha de alimentação com um filtro de entalhe entre 49 e 51 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha de 49 para "borda inferior da faixa de passagem de frequência (Hz)", escolha de 51 para "a borda superior da banda de passagem de frequências (Hz)" e selecione a opção de "Entalhe filtrar os dados em vez de banda de passagem". Clique no botão de "Okey".
- Corrigi as porções de dados contaminadas por movimentos oculares, eletromiografia (EMG) ou quaisquer outros artefatos não-fisiológicas, usando o algoritmo de separação de fonte cega (BSS)15. Para movimentos oculares, clique em ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EOG | Usando BSS; para EMG, ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EMG usando BSS.
- Segmentar os dados de EEG contínuos previamente processados em épocas, com comprimento de época de 2 s. Para fazer isso, escrever 'EEG = eeg_regepochs (EEG, 'reincidência', 2, 'limites', [0 2], 'rmbase', NaN); pop_saveset(EEG)', em seguida, bateu a tecla Enter do teclado. Uma janela aparecerá que permite a gravação dos dados EEG segmentados.
- Importe os dados de EEG segmentados para o software de EEG (arquivo | Carrega o dataset existente).
- Rejeitar a épocas de EEG com valores de amplitude superior a ± 80 µV em qualquer eletrodo (ferramentas | Rejeitar a épocas de dados | Rejeite dados [todos os métodos]).
- Salvar os dados de EEG pré-processado (arquivo | Salve o atual dataset como).
4. EEG microestado análise
Nota: Uma versão modificada do algoritmo de clustering K-means clássica é usada para microestado classe análise16, que contém um procedimento de baixo para cima e um procedimento de cima para baixo. O procedimento de baixo para cima, as classes de nível de grupo microestado são identificadas usando a correlação espacial como um critério de agrupamento. Em seguida o procedimento de cima para baixo, cada mapa topográfico de cada sujeito em cada grupo é atribuído à classe de microestado EEG com máxima correlação espacial. Para análise de microestado do estado descansando EEG, comumente é desconsiderada, a polaridade de mapas topográficos. Análise de classe de microestado EEG pode ser feito usando vários softwares de código aberto, tais como CARTOOL, sLORETA, EMMA e MapWin. As instruções abaixo são específicas para o plugin EEGLAB para microestados. Este plugin EEGLAB pode ser baixado de https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- Para cada disciplina, carregar os dados de EEG pré-processado (arquivo | Canais de referência carga existente dataset), converter a referência média comum (ferramentas | Re-referência) e passa-banda filtrar os dados do EEG entre 2 e 20 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]).
- Identificar os quatro mapas de microestado em cada assunto (ferramentas | Microestados | Identifica mapas de microestado). Na caixa de diálogo pop-up, escolha 3 para "Min número de classes", escolher 6 para o "número máximo de classes", escolher 50 para o "número de reinícios", escolha "Número máximo de mapas para usar" e selecione as opções de "Pico GFP só" e "Sem polaridade". Clique no botão de "Okey".
- Salvar os dados do EEG de cada assunto após identificar seu próprio microestado mapas (arquivo | Salve o atual dataset como).
- Importar os conjuntos de dados de EEG de todos os assuntos que salvou na última etapa de uma vez (arquivo | Carrega o dataset existente).
- Identificar os nível de grupo microestado mapas (ferramentas | Microestados | Microestado médio mapas através de conjuntos de dados). Na caixa de diálogo pop-up, selecione os conjuntos de dados de todas as disciplinas na opção "Choose define para calcular a média". Na opção "Nome do meio", dê um nome para os mapas de nível de grupo microestado. O nome padrão é "GrandMean". Clique no botão de "Okey". Isto irá criar um novo conjunto de dados nomeado como "GrandMean", que armazena os mapas de nível de grupo microestado.
- Classificar manualmente a ordem dos quatro mapas de microestado de nível de grupo de acordo com sua ordem clássica (plotagem | Edite mapas de microestado). O pop-up, selecione "Mais", e então torna-se o número de mapas mostrados quatro. Selecione o "Tipo de homem". Na caixa de diálogo pop-up, digite a nova ordem de quatro mapas de microestado de nível de grupo. Clique em "Fechar".
- Classificar a ordem dos quatro mapas microestado de cada sujeito (ferramentas | Microestados | Classificação de mapas de microestado individuais de acordo com a média).
- Salvar os parâmetros de microestado de cada sujeito (ferramentas | Microestados | Quantificar microestados no dataset [modelo médio mapas]), que irá chamar duas caixas de diálogo pop-up sequencialmente.
- Na primeira caixa de diálogo, selecione os conjuntos de dados de todas as disciplinas. Na segunda caixa de diálogo, selecione "4 Classes" para a opção "Número de Classes", selecione as opções de "Encaixe somente nos picos GFP" e "Remover potencialmente truncado microestados", escolher 30 para o rótulo"suavização de janela (ms)" e escolher 1 para a lisura de Non" pena". Clique em "Okey". Um arquivo csv que armazena os parâmetros de microestado será salvo no computador.
5. análise de complexidade de omega
- Salvar os dados do EEG de cada época e cada assunto em ASCII ou formato de txt usando personalizado o script. Um exemplo de script personalizado para etapa 5.1 podia ser encontrado em materiais suplementares.
Nota: Se a complexidade de ômega global é calculada, os EEG de todos os eléctrodos do couro cabeludo são necessários dados para exportar no formato ASCII ou txt. Se a complexidade regional ômega é calculada, exporte somente os dados do EEG de eletrodos na região do couro cabeludo. Por exemplo, para calcular a complexidade de ômega anterior, exportar somente os dados do EEG de eletrodos na região anterior (ou seja, Fp1, Fp2, F7, F3, Fz, F4 e F8); a fim de calcular a complexidade de ômega posterior, exporte somente os dados do EEG de eletrodos na região posterior (ou seja, T5, T6, P3, P4, Pz, O1 e O2). - Calcular a complexidade de ômega de todas as frequências discretas usando o software de sLORETA17 (utilitários | Conectividade global). Este software está disponível em http://www.uzh.ch/keyinst/loreta.htm.
- Calcule a complexidade de ômega de cada banda de frequência usando o script personalizado26. No nosso caso, calcular a complexidade de ômega de bandas de frequências de oito seguintes como o valor médio dentro de cada limite de frequência, que são delta (0,5-3,5 Hz), theta (4-7.5 Hz), alfa1 (8-10 Hz), alpha2 (10.5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), (gamma1 30.5-48 Hz) e gamma2 (52-80 Hz)4. Um exemplo de script personalizado para etapa 5.3 podia ser encontrado em materiais suplementares.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Microestado de EEG
Grand dizer microestado normalizado mapas são exibidos na Figura 1. As paisagens de potenciais elétricas dessas quatro classes de microestado identificado aqui são muito semelhantes aos encontrados em anteriores estudos4.
A média e o desvio padrão (SD) de parâmetros de microestado dos indivíduos saudáveis foram mostrados na tabela 1. Para classe de microestado A, a taxa de ocorrência foi 3,44 ± 1.29 vezes / s e a duração foi de 72 ± 13 menina para classe de microestado B, a taxa de ocorrência foi 3,54 ± 0,85 vezes / s e a duração foi de 71 ± 18 ms. para classe de microestado C, a taxa de ocorrência foi 3,85 ± 0.63 vezes / s e a duração foi de 69 ± 9 ms. para classe de microestado D, a taxa de ocorrência foi 3,41 ± 0,78 vezes / s e a duração foi de 66 ± 11 ms.
Complexidade de ômega
O valor (média ± DP) de complexidade global ômega de cada banda de frequência nos indivíduos saudáveis foi apresentado na tabela 2. Banda delta, a complexidade de ômega global foi 6.39 ± 1,34. Banda de theta, a complexidade de ômega global foi 5,46 ± 0,85. Banda alfa-1, a complexidade de ômega global foi 3.47 ± 0,8. Banda alfa-2, a complexidade de ômega global foi 3,87 ± 0,70. Banda de beta-1, a complexidade de ômega global foi 5,36 ± 0.84. Banda de beta-2, a complexidade de ômega global foi 6,16 ± 0,83. Gama-1 banda, a complexidade de ômega global foi 6.95 ± 1,07. Banda de gama-2, a complexidade de ômega global foi 6,88 ± 1.39.
O valor (média ± DP) de complexidade ômega anterior de cada banda de frequência nos indivíduos saudáveis foi mostrado na tabela 2. Banda delta, a complexidade de ômega anterior era 4.84 ± 1,7. Banda de theta, a complexidade de ômega anterior era 4.23 ± 1,48. Banda alfa-1, a complexidade de ômega anterior foi 3,44 ± 1,09. Banda alfa-2, a complexidade de ômega anterior era 3,87 ± 0,97. Banda de beta-1, a complexidade de ômega anterior era ± 3,74 0,81. Banda de beta-2, a complexidade de ômega anterior era 2,94 ± 0,59. Gama-1 banda, a complexidade de ômega anterior foi 1,98 ± 0,24. Banda de gama-2, a complexidade de ômega anterior foi 3,02 ± 0,59.
O valor (média ± DP) de complexidade ômega posterior de cada banda de frequência nos indivíduos saudáveis foi mostrado na tabela 2. Banda delta, a complexidade de ômega posterior era 3.71 ± 1,48. Banda de theta, a complexidade de ômega posterior foi 2.47 ± 0,85. Banda alfa-1, a complexidade de ômega posterior foi 2,11 ± 0,9. Banda alfa-2, a complexidade de ômega posterior foi 3,16 ± 1,42. Banda de beta-1, a complexidade de ômega posterior foi 4.32 ± 1,67. Banda de beta-2, a complexidade de ômega posterior foi ± 3,84 1,04. Gama-1 banda, a complexidade de ômega posterior foi 2.17 ± 0,37. Banda de gama-2, a complexidade de ômega posterior era 2.99 ± 0,53.
Figura 1. Média normalizada de mapas topográficos das quatro classes microestado (A-D) do EEG de estado descansando nos indivíduos saudáveis. Classe de microestado A e B têm um certo frontal para orientação occipital esquerda e frontal esquerda para a direita orientação occipital, respectivamente. Classe de microestado, C e D têm topografias simétricas, mas pré-frontal para orientação occipital e frontocentral para orientação occipital foram observados, respectivamente. Clique aqui para ver uma versão maior desta figura.
| Classes de microestado | ||||||||
| A | B | C | D | |||||
| Quer dizer | SD | Quer dizer | SD | Quer dizer | SD | Quer dizer | SD | |
| Ocorrência/s | 3.44 | 1.29 | 3.54 | 0.85 | 3.85 | 0,63 | 3,41 | 0,78 |
| Duração (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabela 1. Parâmetros de microestado dos indivíduos saudáveis (n = 15). a média e o desvio-padrão (SD) a taxa de ocorrência e a duração das quatro classes de microestado foram mostrados nesta tabela.
| Complexidade global Omega | Complexidade de Omega anterior | Complexidade de Omega posterior | ||||
| Faixa de frequência | Quer dizer | SD | Quer dizer | SD | Quer dizer | SD |
| Delta | 6.39 | 1.34 | 4.84 | 1.7 | 3,71 | 1.48 |
| Theta | 5.46 | 0.85 | 4.23 | 1.48 | 2.47 | 0.85 |
| Alfa-1 | 3.47 | 0.8 | 3.44 | 1,09 | 2.11 | 0.9 |
| Alfa-2 | 3,87 | 0.7 | 3,87 | 0,97 | 3.16. | 1.42 |
| Beta-1 | 5,36 | 0,84 | 3,74 | 0,81 | 4,32 | 1.67 |
| Beta-2 | 6.16 | 0,83 | 2.94 | 0,59 | 3,84 | 1,04 |
| Gama-1 | 6,95 | 1,07 | 1,98 | 0,24 | 2.17 | 0,37 |
| Gama-2 | 6,88 | 1.39 | 3,02 | 0,59 | 2.99 | 0,53 |
Tabela 2. Complexidade de ômega global, anterior e posterior dos indivíduos saudáveis (n = 15). a média e o desvio padrão (SD) da complexidade ômega global, anterior e posterior para as bandas de oito frequência (delta, theta, Alfa 1, alfa-2, beta-1, beta-2, 1-gama, gama-2) foram respectivamente indicados na tabela.
Suplementares arquivos. Para executar os scripts usados neste manuscrito, por favor abra os scripts no ambiente MATLAB, em seguida, copie todo o conteúdo na janela de comando e pressione a tecla "Enter". Note que, os scripts só se aplicam aos nossos conjuntos de dados. Algumas modificações são necessárias quando os scripts são aplicados a outros conjuntos de dados. Clique aqui para baixar este arquivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Neste artigo, dois tipos de métodos analíticos de EEG (i.e., análise de microestado e análise de complexidade de ômega), medir a complexidade temporal e espacial complexidade do cérebro humano, respectivamente, foram descritos em detalhe. Existem várias etapas críticas dentro do protocolo que deve ser mencionado. Em primeiro lugar, os dados do EEG devem ser limpos antes do cálculo da complexidade microestado e omega. Em segundo lugar, os dados de EEG devem ser remontaged contra a referência média antes do cálculo da complexidade microestado e omega. Em terceiro lugar, os dados de EEG contínuos devem ser segmentados em épocas antes do cálculo da complexidade microestado e omega. O comprimento de cada época deve ser 2 s. por último, o software que pode ser usado na análise de microestado incluem Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) e MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin). A análise de microestado foi realizada por meio de um plugin no EEGLAB neste estudo.
Embora a análise de microestado realizada aqui foi aplicada a dados do EEG estado de repouso, poderia ser facilmente aplicada para potenciais relacionados ao evento (ERPs), que nos ajudará a descobrir mais informações sobre os cursos de tempo de diversas operações cognitivas em cognitivo experimentos e fornecem uma abordagem livre de referência para executar ERP análise18,19. Geralmente é desconsiderada, nota, para o descanso do estado EEG, a polaridade de mapas topográficos; no entanto, para ERPs, a polaridade dos mapas topográficos não deve ser desconsiderada. Uma pequena limitação deste plugin de EEG é que só poderia ser usado para EEG estado de repouso. Para ERPs, o software Cartool pode ser uma das melhores escolhas. O valor de complexidade ômega alcança de 1 a N. Se a complexidade de ômega computadorizada é 1, uma máxima conectividade funcional global dentro de uma determinada região do cérebro é revelada; Considerando que se ômega complexidade é igual a N, uma mínima global conectividade funcional dentro de uma determinada região do cérebro é encontrada. Assim, se queremos testar estatisticamente a complexidade ômega de regiões diferentes do cérebro, o número de eletrodos selecionados nestas regiões deve ser igual, desde que o número de eletrodos pode influenciar significativamente o valor de omega complexidade estimado.
A fim de estudar o descanso EEG, pesquisadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Em comparação com estas técnicas tradicionais, análise de microestado tira o máximo partido da excelente resolução temporal da técnica de EEG. As quatro classes de microestado identificados foram encontradas para ser correlacionado com quatro sistemas funcionais estudados, observados em muitos estado descansando fMRI estudos8,20: visual auditivo (microestado A), (microestado B), parcialmente cognitiva controle e parcialmente o modo padrão (microestado C) e atenção dorsal (microestado D). Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Em comparação com as técnicas tradicionais de EEG, a complexidade de ômega poderia caracterizar a conectividade global funcional dentro de um determinado cérebro região4. Conectividade funcional tradicional só poderia descrever a conectividade funcional entre dois eletrodos no couro cabeludo.
No entanto, as duas técnicas de EEG também tem várias limitações que devem ser mencionadas. Em primeiro lugar, a análise de microestado existente é comumente realizada em sinais de EEG de banda larga, assim não toma partido da informação frequência rico da técnica EEG. Além disso, o significado funcional desses quatro classes de microestado e métricas relacionadas não são muito claras até agora. Em segundo lugar, a complexidade de ômega pode somente detectar dependências lineares. Ele não pode detectar as dependências não-lineares entre as regiões do couro cabeludo, que podem ser quantificadas por conectividade funcional tradicionais métricas (por exemplo, valor de bloqueio de fase, probabilidade de informações e sincronização mútua)21,22 ,23.
No futuro, a análise de microestado deve ser aplicada com técnicas de localização de fonte (por exemplo, sLORETA, BESA, Beamforming), que irão melhorar significativamente a resolução espacial de sinais EEG. Embora a análise de microestado tem sido amplamente utilizada em repouso EEG e ERPs, poucos estudos têm aplicado esta técnica no domínio tempo-frequência. Por exemplo, Jia et al 24 propôs uma abordagem baseada na análise de segmentação topográfico de forma otimizada e automaticamente identificar características detalhadas do tempo-frequência. Esta abordagem poderia efetivamente explorar a informação espacial das actividades oscilatórias. No entanto, esses aplicativos estão longe de ser maduro. Pela complexidade de ômega, uma complexidade de ômega normalizado altamente é necessária, desde que o valor de omega complexidade estimado é dependente do número de eletrodos selecionado. No futuro, deve ser aplicado ao domínio tempo-frequência.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada para divulgar.
Acknowledgments
Este artigo foi apoiado pela Fundação Nacional de ciências naturais da China (31671141).
Materials
| Name | Company | Catalog Number | Comments |
| ANT 20 channels EEG/ERP system | ASA-Lab, ANT B.V., Netherlands | company web address: http://www.ant-neuro.com/ |
|
| EEGLAB plugin for Microstates | Thomas Koenig | https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins | |
| sLORETA | Roberto D. Pascual-Marqui | http://www.uzh.ch/keyinst/loreta.htm | |
| MATLAB 2010a | The MathWorks Inc. | company web address: http://www.mathworks.com/ |
|
| eeglab | Swartz Center for Computational Neuroscience, University of California, San Diego | https://sccn.ucsd.edu/eeglab/index.php |
References
- Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
- Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
- Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
- Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
- Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
- Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
- Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
- Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
- Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
- Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
- Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912 (2011).
- Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
- Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
- Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
- Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
- Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
- Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
- Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
- Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
- Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
- Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
- Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
- Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
- Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
- Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135 (2005).
- Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124 (2003).
