Summary
Dit artikel beschrijft het protocol onderliggende elektro-encefalografie (EEG) dwergstaat te analyseren en omega complexiteit analyse, die twee referentie-vrije EEG maatregelen en zeer waardevol is voor het verkennen van de neurale mechanismen van hersenafwijkingen.
Abstract
Vorstendom en omega complexiteit zijn twee referentie-vrije elektro-encefalografie (EEG) maatregelen die de temporele en ruimtelijke complexiteit van EEG gegevens kunnen vertegenwoordigen en hebben op grote schaal gebruikt om te onderzoeken van de neurale mechanismen in sommige hersenafwijkingen. Het doel van dit artikel is voor het beschrijven van het protocol ten grondslag liggen aan de EEG dwergstaat en omega complexiteit analyses stap voor stap. Het belangrijkste voordeel van deze twee maatregelen is dat ze het referentie-afhankelijke probleem die inherent zijn aan traditionele spectrum analyse zou kunnen elimineren. Bovendien, analyses van de dwergstaat maakt goed gebruik van hoog tijd resolutie van rust statuswaarden EEG, en de vier klassen van de verkregen dwergstaat zou kunnen overeenkomen met de bijbehorende netwerken rusten-staat respectievelijk. De complexiteit van de omega kenmerkt de ruimtelijke complexiteit van de hele hersenen of specifieke hersengebieden, die heeft duidelijk voordeel in vergelijking met traditionele complexiteit maatregelen die gericht zijn op de complexiteit van het signaal in één kanaal. Deze twee EEG maatregelen kunnen aanvullen en elkaar om te onderzoeken van de hersenen complexiteit van het temporele en ruimtelijke domein respectievelijk.
Introduction
Elektro-encefalografie (EEG) is wijd verbeid gebruikt om elektrische activiteit van het menselijk brein, zowel in de klinische diagnose en wetenschappelijk onderzoek, omdat het noninvasive, low-begroot en zeer hoge temporele resolutie1 heeft. Om de signalen van de EEG in rust staat te bestuderen, hebben de onderzoekers vele EEG technieken (bijv. macht spectrum analyse, functionele connectiviteit analyse)2,3ontwikkeld. Hiervan dwergstaat en omega complexiteit analyse kon goed gebruik maken van de ruimtelijke en temporele informatie die inherent zijn aan de EEG signalen4.
Eerdere onderzoeken hebben aangetoond dat hoewel de topografische verdeling van EEG signalen na verloop van tijd in het oog-gesloten varieert of oog-open rust staat, de serie van kortstondige kaarten discontinue veranderingen van landschappen tonen, dat wil zeggen, de periodes van stabiliteit afwisselend met korte overgangsperioden tussen bepaalde EEG topografieën van quasi-stabiele5. Dwergstaten worden gedefinieerd als deze episodes met quasi stabiel EEG topografieën, die tussen 80 en 120 ms-1 duren. Aangezien verschillende elektrische potentiële landschappen moeten zijn gegenereerd door verschillende neurale bronnen, deze dwergstaten kunnen in aanmerking komen als de fundamentele blokken van tenuitvoerlegging en kunnen worden beschouwd als "atomen van gedachte en emotie"6. Met behulp van moderne patroon classificatie algoritmen, zijn vier rusten EEG dwergstaat klassen consequent waargenomen, die werden aangeduid als klasse A, klasse B, klasse C en klasse D7. Bovendien, onderzoekers bleek dat deze vier klassen van het Vorstendom van rusten EEG gegevens nauw verbonden met bekende functionele systemen waargenomen in veel rusten statuswaarden fMRI (functionele magnetische resonantie imaging) studies8,9 waren . De analyses van de dwergstaat verstrekt dus, een nieuwe benadering om te bestuderen de rust staat netwerken (RSNs) van de menselijke hersenen. Bovendien, zijn de gemiddelde duur en de frequentie van voorkomen van elke dwergstaat klasse, de topografische vorm van de vier dwergstaat kaarten sterk beïnvloed worden door sommige hersenen stoornissen4,10,11, en zijn geassocieerd met vloeistof intelligentie12 en persoonlijkheid13.
In het andere aspect, kan traditionele functioneel connectiviteit van multi-kanaals EEG alleen beschrijven de functionele verbindingen tussen twee elektroden van de hoofdhuid, dus niet de globale functionele connectiviteit beoordelen over hoofdhuid of binnen een bepaalde regio van de hersenen. De complexiteit van de omega, voorgesteld door de Wackermann (1996)14 en berekend door een benadering van het combineren van de belangrijkste componenten analyse (PCA) en Shannon entropie, heeft geweest tweedehands voor het kwantificeren van de breed-band globale synchronisatie tussen ruimtelijk gedistribueerde hersengebieden. Teneinde de omega complexiteit van elke frequentieband, werd Fourier-transformatie meestal uitgevoerd als een eerste stap25.
De Dwergstaten en omega complexiteit kunnen worden gebruikt om na te denken twee nauw met elkaar verbonden begrippen, d.w.z., de complexiteit van de temporele en ruimtelijke complexiteit4. Aangezien de dwergstaat klassen bepaalde mentale operaties in de menselijke hersenen vertegenwoordigen, kunnen zij de temporele structuur van neuronale oscillaties weerspiegelen. Lagere duur en hogere voorkomen tarief per seconde vermelden hogere temporele complexiteit. De complexiteit van de omega is positief verwant met het aantal onafhankelijke neurale bronnen in de hersenen, dus worden algemeen beschouwd als een indicator van de ruimtelijke complexiteit4.
Het huidige artikel beschrijft het protocol van EEG dwergstaat en omega complexiteit analyse in detail. De EEG dwergstaat en omega complexiteit analyses bieden de mogelijkheid voor het meten van de temporele en ruimtelijke complexiteit van hersenactiviteit respectievelijk.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Dit protocol is goedgekeurd door de lokale ethische commissie. Een geïnformeerde Toestemmingsformulier voor dit experiment wordt ondertekend door alle deelnemers en hun ouders.
1. onderwerpen
- Alleen bevatten 15 gezonde mannelijke adolescent onderwerpen, die de leeftijd van 14 tot 22 jaar varieert (± standaardafwijking betekenen: 18.3 ± 2,8 jaar).
Opmerking: Het huidige protocol om te analyseren de dwergstaat en omega complexiteit is ontwikkeld voor gezonde proefpersonen, maar is niet beperkt tot deze groep alleen.
2. EEG gegevens opnemen
- Vraag onderwerpen om te zitten op een comfortabele stoel in een stille, temperatuurgevoelig kamer, waar de gegevens van de EEG werd opgenomen. De 20-kanaals EEG gegevens met behulp van de ANT EEG-systeem in dit protocol te verzamelen.
- Het GLB op de onderwerpen hoofd zetten.
- In deze studie, gebruik een dop met middelmatige grootte, omdat het was geschikt voor meest adolescent of mannelijke onderwerpen. Voor kinderen, gelieve te meten van de hoofdomtrek van elk onderwerp, en het GLB met geschikte grootte bepalen.
- Plaats de elektrode Cz op ongeveer 50% van de afstand tussen inion en nasion en 50% van de afstand tussen de linker en juiste Inter auditieve inspringingen. Plaats de referentie-elektroden op de linker- en mastoid-bone, respectievelijk. Plaats de andere hoofdhuid elektroden op de standaardlocaties volgens de international 10-20 systeem.
Opmerking: Een elektrode systeem en EEG versterker met 20 kanalen is voldoende voor EEG dwergstaat en omega complexiteit analyse.
- Vul alle de elektroden met geleidende gel door het invoegen van een botte naald door de elektroden. Gebruik de geleidende gel te verlagen van de impedantie. Houd alle elektrode impedances lager dan 10 kiloohms (kΩ).
- Tijdens deze periode bieden sommige vermaak voor de onderwerpen (bijvoorbeeld Toon een korte film). Als een droge elektrode of een zoutoplossing elektrode wordt gebruikt, slaat u de stap van het injecteren van geleidende gel.
- Instrueer de onderwerpen om te ontspannen met ogen dicht tijdens de opname, die duurt 5 min. Gebruik de software van de digitalisering te digitaliseren en het opnemen van het EEG signaal. Gebruik een sampling rate van ten minste 250 monsters/s. gebruik een online filter breder dan 0.1 en 80 Hz.
Opmerking: Hoewel de meeste commerciële beschikbaar elektrode-versterker systemen gebruiken een actieve elektrode-systeem, die zou kunnen verbeteren van de signaal / ruisverhouding van het EEG signaal, plaats dit systeem niet dicht bij alle elektrische apparaten tijdens het opnemen van de EEG.
3. EEG gegevens voorbewerken
Opmerking: EEG gegevens kon worden voorverwerkt met behulp van verschillende open source of commerciële software. De onderstaande instructies gelden voor EEGLAB. Dit is slechts één uit vele beschikbare opties voor het voorbehandelen van EEG gegevens.
- Importeren van de ruwe gegevens van de EEG de EEG-software (bijvoorbeeld EEGLAB) (bestand | Gegevens importeren | Met behulp van EEGLAB functies en plugins).
Opmerking: De ruwe gegevens van de EEG opgenomen uit verschillende elektrode-versterker systemen kunnen worden herkend door EEGLAB, zoals de EGI, ANT, hersenen visie recorder, en Neuroscan. - Het kanaal locatie bestand laden in de EEG-software (bewerken | Kanaal locaties). Hoewel de gegevens van de EEG en de kanaalnamen zijn ingevoerd om te EEGLAB, een kanaal locatie bestand importeren in de EEG-software met het oog op de ruimtelijke locaties van deze elektroden.
- Verwijderen van de referentie-elektroden (bewerken | Selecteer gegevens | Gegevens selecteren in kanaal bereik). In de optie van "Gegevens selecteren in kanaal bereik" in het pop-up dialoogvenster, selecteert u alleen de elektroden van de opname en schakel niet de referentie-elektroden zodat de referentie-elektroden kunnen worden verwijderd. De gegevens opgenomen in referentie-elektroden is niet 'echte' hersenen signaal, aangezien deze twee elektroden worden geplaatst op de linker- en mastoid-bone respectievelijk.
- Band pass filter de EEG gegevens tussen 0,5 en 80 Hz (Tools | De gegevens filteren | Basic FIR filter [nieuwe, standaard]). Kies 5 voor de "onderste rand van de frequentieband voor de pass (Hz)" in het pop-up dialoogvenster en kies 80 voor de "hogere rand van de frequentieband voor de pass (Hz)". Klik vervolgens op de knop "Ok".
- Verwijderen van de ruis op de lijn macht met een inkeping filter tussen 49 en 51 Hz (Tools | De gegevens filteren | Basic FIR filter [nieuwe, standaard]). In het pop-up dialoogvenster, kies 49 voor de "onderste rand van de frequentieband voor de pass (Hz)", kies 51 voor de "hogere rand van de frequentieband voor de pass (Hz)" en selecteer de optie van "Notch filter de gegevens in plaats van pass-band". Klik vervolgens op de knop "Ok".
- Corrigeer de gegevens delen besmet door oogbewegingen, elektromyografie (EMG) of een andere niet-fysiologische artefacten met behulp van de blinde bron scheiding (BSS) algoritme15. Voor oogbewegingen, tikken voort gereedschap | Artefact verwijderen met behulp van AAR 1.3 | EOG verwijdering | Met behulp van BSS; voor EMG, Tools | Artefact verwijderen met behulp van AAR 1.3 | EMG verwijderen met behulp van BSS.
- De voorbewerkte gegevens voor continue EEG segmenteren in tijdperken, met epoch lengte van 2 s. Om dit te doen, schrijf 'EEG = eeg_regepochs (EEG, 'herhaling', 2, 'beperkt', [0 2], 'rmbase', NaN); pop_saveset(EEG)', dan raken de Enter-toets van het toetsenbord. Een venster zal verschijnen waarmee het opslaan van de gesegmenteerde gegevens van de EEG.
- De EEG-software de gesegmenteerde EEG-gegevens importeren (bestand | Bestaande dataset laden).
- EEG tijdperken verwerpen met amplitude waarden overschrijden van ± 80 µV op elke elektrode (Tools | Verwerpen gegevens tijdperken | Verwerpen van gegevens [alle methoden]).
- Sla de voorverwerkte EEG-gegevens (File | Sla huidige dataset als).
4. EEG dwergstaat analyse
Opmerking: Een gewijzigde versie van het klassieke K-means clustering algoritme wordt gebruikt voor dwergstaat klasse analyse16, waarin een bottom up-procedure en de procedure van een up-bodem. In de procedure onderop worden het groepeerniveau dwergstaat klassen geïdentificeerd met behulp van de ruimtelijke correlatie als een clustering criterium. In de procedure tot beneden elk topografische kaart van elk onderwerp in elke groep wordt toegewezen aan de EEG dwergstaat klasse met maximale ruimtelijke correlatie. Voor rust statuswaarden EEG dwergstaat analyse, is de polariteit van topografische kaarten vaak genegeerd. EEG dwergstaat klasse analyse kan worden gedaan met behulp van verschillende open source software, zoals CARTOOL, sLORETA, EMMA en MapWin. De onderstaande instructies zijn specifiek voor de EEGLAB plugin voor dwergstaten. Deze EEGLAB plugin kan worden gedownload van https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- Bij elk onderwerp, plaatst u de voorverwerkte EEG-gegevens (File | "Load" bestaande dataset), converteren referentie kanalen om algemene gemiddelde referentie (Tools | Verwijst opnieuw naar), en de band pass filter van de EEG-gegevens tussen 2 en 20 Hz (Tools | De gegevens filteren | Basic FIR filter [nieuwe, standaard]).
- Identificeren van de vier dwergstaat kaarten in elk onderwerp (Tools | Dwergstaten | identificeren van dwergstaat kaarten). In het pop-up dialoogvenster, kies 3 voor de "Min aantal klassen", 6 voor het "Max aantal klassen" kiezen, kies 50 voor het "aantal herstarts van", kies "Max aantal kaarten te gebruiken", en selecteer de opties van "Alleen GFP-peak" en "Geen polariteit". Klik vervolgens op de knop "Ok".
- Opslaan van de gegevens van de EEG van elk onderwerp nadat identificeren van eigen dwergstaat kaarten (bestand | Sla huidige dataset als).
- De EEG datasets van alle de onderwerpen opgeslagen in de laatste stap in een keer importeren (bestand | Bestaande dataset laden).
- Identificeren van het groepeerniveau dwergstaat kaarten (Tools | Dwergstaten | Gemiddelde dwergstaat kaarten over datasets). Selecteer in het pop-up dialoogvenster, de datasets van alle onderwerpen in de optie "Kies ingesteld voor gemiddeld". Geef een naam voor het groepeerniveau dwergstaat kaarten bij de "Naam van gemiddelde" optie. De standaardnaam is "GrandMean". Klik vervolgens op de knop "Ok". Hiermee maakt u een nieuwe gegevensgroep genoemd als "GrandMean", waarin de groepeerniveau dwergstaat kaarten worden opgeslagen.
- De volgorde van vier groepeerniveau dwergstaat kaarten volgens hun klassieke volgorde handmatig sorteren (Plot | Bewerken van dwergstaat kaarten). In de pop-up, selecteer "Meer", en het aantal kaarten getoond wordt dan vier. Selecteer "Man. sortering". Typ de nieuwe orde der vier groepeerniveau dwergstaat kaarten in de pop-up dialoog. Klik vervolgens op "Sluiten".
- De sorteervolgorde van de vier kaarten van het Vorstendom van elk onderwerp (Tools | Dwergstaten | Sorteren van individuele dwergstaat kaarten volgens gemiddelde).
- Opslaan van de dwergstaat parameters van elk onderwerp (Tools | Dwergstaten | Kwantificeren Dwergstaten in dataset [gemiddelde sjabloon maps]), die twee pop-up dialoogvensters sequentieel moet aanroepen.
- Selecteer de datasets van alle vakken in het eerste dialoogvenster. In het tweede dialoogvenster, selecteer "4 klassen" voor de optie "Nummer van klassen", selecteer de opties van "Montage alleen op GFP pieken" en "Verwijderen mogelijk afgekapt dwergstaten", kies van 30 voor het "Label smoothing venster (ms)" en kies 1 voor de "Non gladheid penalty". Klik vervolgens op "Ok". Een CSV-bestand waarin de dwergstaat parameters worden opgeslagen zullen worden opgeslagen op de computer.
5. omega complexiteit analyse
- Sla de gegevens van de EEG van elk tijdperk en elk onderwerp in ASCII- of het gebruik van txt-formaat aangepast script. Een voorbeeld van het aangepaste script voor stap 5.1 kan worden gevonden in de aanvullende materialen.
Opmerking: Als de globale omega complexiteit wordt berekend, zijn de gegevens van de EEG van alle de elektroden van de hoofdhuid nodig om exporteren in ASCII-indeling of txt-indeling. Als de regionale omega complexiteit wordt berekend, alleen de EEG gegevens van elektroden in de hoofdhuid regio exporteren. Bijvoorbeeld om te berekenen anterior omega complexiteit, exporteren alleen de EEG gegevens van elektroden de Italiaanse regio anterior (dat wil zeggen, Fp1, Fp2, F7, F3, Fz, F4 en F8); om te berekenen posterieure omega complexiteit, alleen de EEG gegevens van elektroden posterieure regio (dat wil zeggen, T5, T6, P3, P4, Pz, O1 en O2) te exporteren. - Berekenen van de omega complexiteit van alle discrete frequenties met behulp van de sLORETA software17 (Utilities | Globale connectiviteit). Deze software is beschikbaar op http://www.uzh.ch/keyinst/loreta.htm.
- De omega complexiteit van elke frequentieband via aangepast script26berekenen. In ons geval, berekenen de complexiteit van de omega van de volgende acht frequentiebanden als de gemiddelde waarde binnen elke Frequentielimiet, die delta (0,5-3,5 Hz), theta (4-7,5 Hz), alpha1 (8-10 Hz), alpha2 (10.5-13.5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), () gamma1 30,5-48 Hz), en gamma2 (52-80 Hz)4. Een voorbeeld van het aangepaste script voor stap 5.3 kon worden gevonden in de aanvullende materialen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG dwergstaat
Grand betekenen genormaliseerde dwergstaat toewijzingen worden weergegeven in Figuur 1. De elektrische potentiële landschappen van deze vier klassen van de dwergstaat hier geïdentificeerd zijn zeer vergelijkbaar met die gevonden in eerdere studies4.
Het gemiddelde en de standaarddeviatie (SD) van dwergstaat parameters van de gezonde proefpersonen werden getoond in tabel 1. Voor dwergstaat klasse A, het voorval bedroeg 3,44 ± 1.29 keer / s, en de duur was 72 ± 13 ms. voor dwergstaat klasse B, het voorval bedroeg 3.54 ± 0,85 keer / s, en de duur was 71 ± 18 ms. voor dwergstaat klasse C werd het voorval tarief 3,85 ± 0.63 keer / s , en de duur was 69 ± 9 ms. voor dwergstaat klasse D, het voorval bedroeg 3.41 ± 0.78 tijden / s, en de duur was 66 ± 11 ms.
Omega complexiteit
De waarde (bedoel ± SD) global omega complexiteit van elke frequentieband in de gezonde proefpersonen werd gepresenteerd in tabel 2. Voor delta band was de wereldwijde omega complexiteit 6.39 ± 1.34. Theta-band was de complexiteit van globale omega 5.46 ± 0,85. Voor alpha-1 band was de wereldwijde omega complexiteit 3,47 ± 0.8. Voor alpha-2 bands was de wereldwijde omega complexiteit 3,87 ± 0.70. Voor bèta-1 band was de wereldwijde omega complexiteit 5,36 ± 0.84. Bèta-2-band was de complexiteit van globale omega 6.16 ± 0,83. Gamma-1 band was de complexiteit van globale omega 6.95 ± 1.07. Gamma-2 bands was de complexiteit van globale omega 6.88 ± 1.39.
De waarde (bedoel ± SD) anterieure omega complexiteit van elke frequentieband in de gezonde proefpersonen bleek in tabel 2. Voor delta band was de complexiteit van de voorste omega 4.84 ± 1,7. Theta-band was de complexiteit van de voorste omega 4.23 ± 1.48. Voor alpha-1 band was de complexiteit van de voorste omega 3,44 ± 1.09. Voor alpha-2 bands was de complexiteit van de voorste omega 3,87 ± 0.97. Voor bèta-1 band was de complexiteit van de voorste omega 3.74 ± 0.81. Bèta-2-band was de complexiteit van de voorste omega 2.94 ± 0,59. Gamma-1 band was de complexiteit van de voorste omega 1,98 ± 0,24. Voor gamma-2 bands was de complexiteit van de voorste omega 3.02 ± 0,59.
De waarde (bedoel ± SD) posterieure omega complexiteit van elke frequentieband in de gezonde proefpersonen bleek in tabel 2. Voor delta band was de complexiteit van de posterieure omega 3.71 ± 1.48. Theta-band was de complexiteit van de posterieure omega 2,47 ± 0,85. Voor alpha-1 band was de complexiteit van de posterieure omega 2.11 ± 0,9. Voor alpha-2 bands was de complexiteit van de posterieure omega 3.16 ± 1.42. Voor bèta-1 band werd de complexiteit van de posterieure omega 4,32 ± 1,67. Bèta-2-band was de complexiteit van de posterieure omega 3.84 ± 1.04. Gamma-1 band was de complexiteit van de posterieure omega 2,17 ± 0.37. Voor gamma-2 bands was de complexiteit van de posterieure omega 2.99 ± 0,53.
Figuur 1. Gemiddelde genormaliseerde topografische kaarten van de vier klassen van de dwergstaat (A-D) van rust statuswaarden EEG in de gezonde proefpersonen. Dwergstaat klasse A en B hebben een juiste frontale naar links occipital oriëntatie en een linker frontale naar rechts occipital oriëntatie, respectievelijk. Dwergstaat klasse C en D hebben symmetrische topografieën, maar prefrontale occipital afdrukstand en frontocentral aan de stand van occipital werden waargenomen, respectievelijk. Klik hier voor een grotere versie van dit cijfer.
| Dwergstaat klassen | ||||||||
| A | B | C | D | |||||
| Gemiddelde | SD | Gemiddelde | SD | Gemiddelde | SD | Gemiddelde | SD | |
| Vóórkomen/s | 3.44 | 1.29 | 3.54 | 0,85 | 3,85 | 0.63 | 3.41 | 0.78 |
| Duur (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabel 1. Dwergstaat parameters van de gezonde proefpersonen (n = 15). Het gemiddelde en de standaarddeviatie (SD) van het groeitempo van de gebeurtenis en de duur van de vier klassen van de dwergstaat werden getoond in deze tabel.
| Complexiteit van globale Omega | Anterior Omega complexiteit | Posterieure Omega complexiteit | ||||
| Frequentieband | Gemiddelde | SD | Gemiddelde | SD | Gemiddelde | SD |
| Delta | 6,39 | 1.34 | 4,84 | 1.7 | 3.71 | 1.48 |
| Thèta | 5.46 | 0,85 | 4.23 | 1.48 | 2,47 | 0,85 |
| Alpha-1 | 3.47 | 0.8 | 3.44 | 1.09 | 2.11 | 0.9 |
| Alpha-2 | 3,87 | 0,7 | 3,87 | 0.97 | 3.16 | 1.42 |
| Bèta-1 | 5.36 | 0.84 | 3,74 | 0.81 | 4.32 | 1,67 |
| Bèta-2 | 6.16 | 0.83 | 2.94 | 0.59 | 3.84 | 1.04 |
| Gamma-1 | 6,95 | 1.07 | 1.98 | 0,24 | 2.17 | 0.37 |
| Gamma-2 | 6,88 | 1.39 | 3.02 | 0.59 | 2.99 | 0,53 |
Tabel 2. Global, anterior en posterior omega complexiteit van de gezonde proefpersonen (n = 15). Het gemiddelde en de standaarddeviatie (SD) van de wereldwijde, anterior en posterior omega complexiteit voor de acht frequentiebanden (delta, theta, alpha-1, alpha-2, bèta-1, bèta-2, gamma-1, gamma-2) werden respectievelijk getoond in deze tabel.
Aanvullende bestanden. Om te kunnen uitvoeren van de scripts die worden gebruikt in dit manuscript, open de scripts in de omgeving van MATLAB, dan kopieer alle inhoud in het opdrachtvenster en druk op de toets "Enter". Merk op dat de scripts alleen van toepassing op onze datasets. Bepaalde aanpassingen zijn nodig wanneer de scripts worden toegepast op andere datasets. Klik hier om dit bestand te downloaden.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In dit artikel, twee soorten EEG analytische methoden (dat wil zeggen, analyses van de dwergstaat en omega complexiteit analyse), meten van de complexiteit van de temporele en ruimtelijke complexiteit van menselijk brein respectievelijk, werden in detail beschreven. Er zijn verschillende kritische stappen binnen het protocol dat moet worden vermeld. In de eerste plaats moeten de gegevens van de EEG worden gereinigd voordat de berekening van de dwergstaat en omega complexiteit. Ten tweede, de EEG-gegevens moeten worden remontaged tegen de gemiddelde referentie voor de berekening van de dwergstaat en omega complexiteit. Ten derde moet de continue EEG-gegevens worden onderverdeeld in tijdperken voor de berekening van de dwergstaat en omega complexiteit. De lengte van elk tijdperk moet 2 s. tot slot, de software die gebruikt kan worden in de analyses van de dwergstaat zijn Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) en MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin). De dwergstaat analyse werd uitgevoerd door middel van een plugin in de EEGLAB in deze studie.
Hoewel de analyses van de dwergstaat hier gevoerd werd toegepast op het EEG systeemstatusgegevens rusten, kan het gemakkelijk worden toegepast op gebeurtenissen gerelateerde mogelijkheden (ERPs), die zal helpen ons meer informatie over het tijdsverloop van verschillende cognitieve operaties in cognitieve ontdekken experimenten, en bieden een referentie-vrije benadering voor het uitvoeren van ERP analyse18,19. Opmerking, om uit te rusten staat EEG, de polariteit van topografische kaarten wordt vaak veronachtzaamd; echter voor ERPs, de polariteit van topografische kaarten moet niet buiten beschouwing worden gelaten. Een kleine beperking van deze EEG-plugin is dat het alleen kan worden gebruikt om uit te rusten staat EEG. De software Cartool mogen ERPs, een van de beste keuzes. De omega complexiteit waarde bereikt van 1 naar N. Als omega complexiteit berekend 1 is, een maximale globale functionele connectiviteit binnen een bepaalde regio van de hersenen is geopenbaard; Overwegende dat als omega complexiteit is gelijk aan N, een minimale globale functionele connectiviteit binnen een bepaalde regio van de hersenen is te vinden. Dus, als we de omega complexiteit van verschillende hersengebieden statistisch te testen willen, het aantal elektroden geselecteerd in deze regio's moet gelijk zijn, aangezien het aantal elektroden aanzienlijk invloed zou kunnen op de waarde van omega complexiteit geschat hebben.
Om de rust EEG te bestuderen, hebben de onderzoekers vele EEG technieken (bijv. macht spectrum analyse, functionele connectiviteit analyse)2,3ontwikkeld. Vergeleken met deze traditionele technieken, maakt analyses van de dwergstaat volledig gebruik van de uitstekende temporele resolutie van EEG techniek. De vier klassen van de geïdentificeerde dwergstaat bleken te worden gecorreleerd met vier goed bestudeerde functionele systemen waargenomen in veel rusten statuswaarden fMRI-studies-8,20: auditieve (dwergstaat A), visual (dwergstaat B), gedeeltelijk cognitieve controle en gedeeltelijk de standaardmodus (dwergstaat C), en dorsale aandacht (dwergstaat D). De analyses van de dwergstaat verstrekt dus, een nieuwe benadering om te bestuderen de rust staat netwerken (RSNs) van de menselijke hersenen. In vergelijking met traditionele technieken van de EEG, kan de omega complexiteit karakteriseren de globale functionele connectiviteit binnen een bepaalde hersenen regio4. Traditionele functioneel connectiviteit kan alleen beschrijven de functionele connectiviteit tussen twee elektroden van de hoofdhuid.
De twee EEG technieken hebben echter ook verschillende beperkingen die moeten worden vermeld. Ten eerste, de bestaande dwergstaat analyse wordt meestal uitgevoerd op breedband EEG signalen, het duurt dus niet profiteren van de rijke frequentie informatie van de EEG-techniek. Bovendien, het functionele belang van deze vier dwergstaat klassen en de daarmee verband houdende statistieken zijn niet erg duidelijk tot nu toe. Ten tweede, de omega complexiteit kan alleen detecteren lineaire verslaafdheden. Het niet wordt gedetecteerd door de niet-lineaire verslaafdheden tussen hoofdhuid regio's, die kunnen worden gekwantificeerd door sommige traditionele functioneel connectiviteit statistieken (bijv. fase vergrendeling waarde, wederzijdse informatie en synchronisatie waarschijnlijkheid)21,22 ,23.
In de toekomst moet de dwergstaat analyse worden toegepast met bron lokalisatie technieken (bijvoorbeeld sLORETA, BESA, Beamforming), die de ruimtelijke resolutie van EEG signalen aanzienlijk zal verbeteren. Hoewel de analyses van de dwergstaat wijd verbeid gebruikt is in de rust van de EEG en ERPs, hebben deze techniek in slechts een paar studies toegepast op het tijd-en frequentiedomein. Bijvoorbeeld, Jia et al. 24 voorgesteld een aanpak op basis van topografische segmentatie analyse om optimaal en gedetailleerde tijd-frequentie functies automatisch te identificeren. Deze aanpak misbruiken effectief de ruimtelijke informatie oscillerende vanactiviteiten. Deze toepassingen zijn echter verre van volwassen. Omega de complexiteit, is de complexiteit van een genormaliseerde omega zeer noodzakelijk, aangezien de waarde van omega complexiteit geschat afhankelijk van het aantal elektroden geselecteerd is. In de toekomst, moet het worden toegepast op het tijd-en frequentiedomein.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs hebben niets te onthullen.
Acknowledgments
Dit artikel werd gesteund door de nationale Natural Science Foundation van 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).
