Summary
2 つの参照のない脳波措置プロトコルの基になる脳波 (EEG) microstate 分析とオメガ複雑性解析を説明しますと非常に貴重な脳疾患の神経メカニズムを探索します。
Abstract
Microstate とオメガの複雑さは、脳波の時間的・空間的複雑さを表すことができますし、いくつかの脳疾患の神経メカニズム解明のため広く使用されている 2 つの参照無料脳波 (EEG) 対策です。この記事の目的は、脳波 microstate とオメガ複雑さ分析ステップを基になるプロトコルを説明します。これらの 2 つのメジャーの主な利点は、従来のスペクトル解析に固有の参照依存問題を排除できることです。さらに、休眠状態の脳波の高時間分解能を駆使する microstate 分析と 4 つの得られた microstate クラスはそれぞれ対応する休息状態ネットワークを一致可能性があります。オメガの複雑さと比較すると伝統的な複雑さ単一チャネルの信号の複雑さに焦点を当てての明白な利点を持っている脳全体または特定の脳領域の空間的複雑さの特徴です。これら 2 つの脳波測定は、時空ドメインから脳の複雑さをそれぞれ調査する互いを補足することができます。
Introduction
脳波 (EEG) は、非侵襲、低原価計算であり、非常に高い時間分解能1以来両方の臨床診断と科学的な研究は、人間の脳の電気的活動を記録するため広く使用されています。休眠状態にある脳波を研究するために研究者は多くの脳波技術 (例えば、パワー スペクトル解析, 機能的結合解析)2,3を開発しました。、これらの microstate 分析とオメガの複雑さの分析に活用できる良い時空情報の脳波信号4に固有。
脳波の頭皮上の分布が目を閉じたの経年変化や目開きの休眠状態は、一連の一時的なマップ表示の風景の不連続変化が、従来の研究はことを示しているすなわち、交互に安定性の期間特定の準安定脳波トポグラフィー5間短い移行期間。採用は準安定の脳波トポグラフィーを最後の 80 と 120 ms1間でこれらのエピソードとして定義されます。別の電気潜在的な風景は、神経回路の異なるソースによって生成する必要があります、のでこれら採用視の基本要素としての資格があり、「思考と感情の原子」6として見なすことができます。モダンなパターン分類アルゴリズムを使用して、4 つの脳波 microstate クラスを休んで観察されている一貫して、クラス A、クラス B、クラス C、クラス D7としてラベルを貼られました。さらに、研究者は、研究-安静 fMRI (機能的磁気共鳴イメージング) 多く8,9 にみられるよく知られた機能システムとこれら 4 つの microstate クラス安静時脳波データを密接に関連が明らかに.したがって、microstate の分析は、人間の脳の休息状態ネットワーク (RSNs) の研究への新しいアプローチを提供しました。さらに、平均の期間やの microstate クラス 4 つの microstate マップの地形形状ごとの出現頻度大幅に影響されていくつか脳疾患4,10,11,流動性知能12人格13に関連付けられているとします。
他の面で多チャンネル脳波の従来の機能接続可能性がありますのみ頭皮全体または特定の脳領域内グローバル機能接続性を評価するために失敗しました、2 つの頭皮電極間の機能の接続をについて説明します。空間の間の広帯域グローバル同期を定量化するオメガの複雑さ、14 Wackermann (1996) によって提案された、主成分分析 (PCA) とシャノン エントロピーを組み合わせたアプローチにより計算が使用されています脳の領域を配布しました。各周波数バンドのオメガの複雑さを評価するためにフーリエ変換はよく最初のステップ25として実施されました。
採用とオメガの複雑さは、2 つの密接に関連概念、すなわち、時間的複雑さと空間的複雑さ4を反映するように使用できます。Microstate クラスを表す人間の脳の特定の精神的な操作、神経活動の振動時間の構造が反映されることができます。低い期間と 1 秒あたりの高い発生率より高い時間的複雑さを示す必要があります。オメガの複雑さは正の関連脳で独立した神経情報源の数は、このようによく考えられています4空間的複雑さの指標として。
現在の記事では、脳波 microstate 分析と詳細にオメガの複雑さの分析のプロトコルについて説明します。脳波 microstate とオメガの複雑さの分析は、それぞれ脳の活動の時間的・空間的複雑さを測定する機会を提供しています。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
このプロトコルは、ローカルの倫理委員会で承認されました。すべての参加者とその保護者はこの実験のためのインフォームド コンセントのフォームに署名しました。
1 科目
- 15 健康青年男子、14 から 22 歳までの年齢を必ず (平均 ± 標準偏差: 18.3 ± 2.8 年)。
注: microstate とオメガの複雑さを分析する現在のプロトコル、健常者用に開発されたが、このグループのみに制限されていません。
2. 脳波データ記録
- 脳波データが記録されたサイレント、温度管理された部屋で快適な椅子に座って課題を求めます。このプロトコルでは ANT の脳波を用いた 20 ch 脳波データを収集します。
- 被験者の頭にキャップを置きます。
- 本研究ではそれが最も思春期または男性の被験者に適しただったので中型サイズのキャップを使用します。子供のためしてください各件名の頭囲を測定し、適当な大きさとキャップを決定します。
- 約イニオンと頭骨間の距離の 50%、左と右の両耳間のくぼみの間の距離の 50% で Cz の電極を配置します。それぞれの左と右の乳様突起骨参照電極を配置します。10-20 システムによると、国際標準の場所に他の頭皮の電極を配置します。
注: 電極システムと脳波で 20 チャンネル アンプは脳波 microstate 分析とオメガの複雑さの分析のために十分。
- 導電性ゲルの電極を通して鈍針を挿入することによってすべての電極を入力します。インピー ダンスを下げるためには、導電性ゲルを使用します。10 kiloohms (kΩ) より低いすべての電極インピー ダンスをしてください。
- この期間中に主題のためのいくつかのエンターテイメントを提供する (例えば、ショート フィルムを表示)。ドライ電極または生理食塩水の電極を使用する場合は、導電性ゲルを注入する手順します。
- 目を閉じて持続 5 分デジタル化し、脳波を記録するデジタル化ソフトウェアを使用するかどれが信号記録時にリラックスして被験者に指示します。少なくとも 250 サンプル/s のオンラインのフィルターよりも 0.1 を使用し 80 Hz のサンプリング レートを使用します。
注: ほとんどの商用利用可能な電極・増幅部システム使用信号に脳波信号のノイズ比を改善できる、アクティブ電極システムは、[脳波記録中に、電気機器の近くにこのシステムを配置しないでください。
3. 脳波データの前処理
注: 脳波データは、様々 なオープン ソースや商用ソフトウェアを使用して前処理でした。次の手順に従って、EEGLAB に固有です。これは、脳波データを前処理する多くの利用可能なオプションのうち 1 つだけです。
- 脳波のソフトウェア (例えば、EEGLAB) に脳波の生データをインポート (ファイル |データをインポートする |EEGLAB 関数の使用とプラグイン)。
注: さまざまな電極・増幅部システムから raw の脳波記録 EEGLAB、ANT、エギなどによって認識される可能性があります脳ビジョン レコーダー、および Neuroscan。 - 脳波ソフトウェア チャンネルの場所ファイルを読み込む (編集 |チャネルの場所)。脳波データおよびチャネルの名前を EEGLAB にインポートすると、これらの電極の空間位置を取得するために脳波ソフトウェアにチャネルの場所ファイルをインポートします。
- 参照電極を削除 (編集 |データを選択 |選択範囲内のデータ チャネル)。ポップアップ ダイアログ ボックスの「チャネル範囲の選択データ」のオプションで記録電極のみを選択し、参照電極を削除できるように、参照電極を選択しないでください。これらの 2 つの電極がそれぞれ左右乳様突起の骨に置かれるので、参照電極で記録されたデータは 'true' 脳信号ではありません。
- 0.5 と 80 Hz 間でパス フィルター脳波データをバンド (ツール |データをフィルター処理 |基本的な FIR フィルター [新しい、既定])。ポップアップ ダイアログ ボックスの「パス周波数 (Hz) の下縁、」の 5、「通過周波数 (Hz) の高いエッジ」の 80 を選択します。"Ok"のボタンをクリックします。
- 49 と 51 Hz のノッチ フィルターと電力線ノイズを削除 (ツール |データをフィルター処理 |基本的な FIR フィルター [新しい、既定])。ポップアップ ダイアログ ボックスの「パス周波数 (Hz) の下縁、」の 49 を選択し、「通過周波数 (Hz) の高いエッジ、」51「ノッチ フィルターの通過帯域ではなくデータ」のオプションを選択します。"Ok"のボタンをクリックします。
- 眼球運動、筋電図 (EMG) またはブラインド信号分離 (BSS) アルゴリズム15を使用して、他の非生理的アーティファクトによって汚染されたデータ部分を修正します。ツールをクリックして眼球運動 |AAR 1.3 を使用してアーティファクト除去 |EOG 除去 |BSS; を使用してください。EMG、用のツール |AAR 1.3 を使用してアーティファクト除去 |BSS を用いた筋除去。
- エポック社長が 2 の時代にあらかじめ処理された継続的な脳波データをセグメント s。これを行うには、書き込み '脳波 = eeg_regepochs (脳波、'繰り返し' 2、'制限'、[0 2]、'rmbase'、NaN); pop_saveset(EEG)'、キーボードの Enter キーを押します。ウィンドウがポップアップのセグメント化された脳波データ保存を可能にします。
- セグメント化された脳波を脳波ソフトウェアにインポート (ファイル |既存のデータセットを読み込む)。
- 任意の電極で ± 80 μ V を超える振幅値と脳波を拒否 (ツール |データの新紀元を拒否 |[すべての方法] データを拒否する)。
- 前処理した脳波データを保存 (ファイル |現在のデータセットとして保存)。
4. 脳波 Microstate 解析
メモ: 古典的な k-means クラスタ リング アルゴリズムの修正バージョンは microstate クラス分析16、ボトムアップ プロシージャとアップ下プロシージャが含まれているため使用されます。ボトムアップの手順でグループ レベル microstate クラスはクラスタ リングの基準として空間相関を使用して識別されます。下の手順で各グループで、各科目の各地形図は最大の空間相関と脳波 microstate クラスに割り当てられます。休息状態 microstate eeg の地形図の極性は通常無視されます。脳波 microstate クラス分析を行うことができる CARTOOL、:sloreta などのさまざまなオープン ソース ソフトウェアを使用してエマと MapWin。次の手順に従って、採用の EEGLAB プラグイン固有です。この EEGLAB のプラグインは、https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins からダウンロードでした。
- 各科目における前処理された脳波データの読み込み (ファイル |一般的な平均参照するデータセットを既存負荷)、変換参照チャネル (ツール |再参照)、およびバンドパス フィルター 2 と 20 Hz の脳波データ (ツール |データをフィルター処理 |基本的な FIR フィルター [新しい、既定])。
- 各科目とも 4 つの microstate マップを識別する (ツール |採用 |microstate マップを識別する)。ポップアップ ダイアログ ボックスで 3 を選択」クラスの分の番号"、「クラスの最大数」の 6 を選択、「再起動の回数」50 を選択、「マップを使用するの最大数」を選択し、"GFP ピークのみ"と「極性なし」のオプションを選択。"Ok"のボタンをクリックします。
- マップ独自の microstate の特定後、各被験者の脳波データを保存 (ファイル |現在のデータセットとして保存)。
- 最後のステップで一度に保存すべての被験者の脳波のデータセットをインポート (ファイル |既存のデータセットを読み込む)。
- グループ レベルの microstate マップを識別する (ツール |採用 |平均 microstate にデータセットにまたがるマップします。)ポップアップ ダイアログ ボックスで「選択セットの平均値」オプションですべての科目のデータセットを選択します。「意味の名前」オプションでグループ レベル microstate マップ名前を付けます。既定の名前は"GrandMean"です。"Ok"のボタンをクリックします。これは、"GrandMean"は、グループ レベルの microstate マップを格納として名前を新しいデータ セットが作成されます。
- 古典的な順序に従って 4 つのグループ レベル microstate マップの順序を手動で並べ替える (プロット |Microstate マップを編集)。ポップアップで,「詳細」を選択し、地図の数になります 4。「男の並べ替え」を選択します。ポップアップ ダイアログ ボックスに 4 つのグループ レベル microstate マップの新しい順序を入力します。「閉じる」をクリックします。
- 各科目の 4 つの microstate マップの順序を並べ替え (ツール |採用 |平均に従って個々 の microstate マップを並べ替える)。
- 各教科の microstate パラメーターを保存 (ツール |採用 |定量化するデータセット [平均テンプレート マップ] で採用)、2 つのポップアップ ダイアログ ボックスを順番に呼び出すが。
- 最初のダイアログ ボックスですべての科目のデータ セットを選択します。2 番目のダイアログ ボックスで「4 教室」「教室数」オプションを選択「GFP ピークにのみフィット」オプションを選択して、「削除可能性があります切り捨てられる採用」、"ラベルのウィンドウ (ms) を平滑化"の 30 を選択し、"非平滑用 1 を選択ペナルティ」。"Ok"をクリックします。Microstate パラメーターを格納する csv ファイルはコンピューターに保存されます。
5. オメガ複雑度解析
- 各時代の脳波データを保存し、ASCII または txt 形式を使用して各件名のカスタマイズ スクリプト。手順 5.1 のカスタマイズ スクリプトの例は、補足資料で見つかりませんでした。
注: グローバル オメガ複雑さを計算すると、すべての頭皮電極脳波データが ASCII または txt 形式でエクスポートする必要が。地域オメガ複雑さを計算すると場合、は、電極頭皮領域の脳波データのみをエクスポートします。たとえば、前のオメガの複雑さを計算するために (すなわち、Fp1、Fp2、f7 キー、F3、Fz、f4 キーと F8); 前歯で電極の脳波データのみをエクスポートします。後部のオメガの複雑さを計算するために後方地域 (すなわち、T5、T6、P3、P4、Pz、O1 と O2) の電極の脳波データのみをエクスポートします。 - :Sloreta ソフトウェア17を使用してすべての離散周波数のオメガの複雑さを計算 (ユーティリティ |グローバル接続の場合)。このソフトウェアは、http://www.uzh.ch/keyinst/loreta.htm で利用可能です。
- 26カスタマイズしたスクリプトを使用して各周波数バンドのオメガの複雑さを計算します。私たちのケースで計算、各周波数制限内平均値として次の 8 つの周波数バンドのオメガ複雑さデルタである (0.5 3.5 Hz)、シータ (4 7.5 Hz)、α 1 (8-10 Hz) 2 ・ (10.5 13.5 Hz)、beta1 (14-18 Hz)、beta2 (18.5 30 Hz)、gamma1 (30.5 48 Hz)、および gamma2 (52-80 Hz)4。ステップ 5.3 のカスタマイズ スクリプトの例は、補足資料で見つかりませんでした。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
脳波 microstate
グランドは、図 1に正規化された microstate マップが表示されますを意味します。ここで識別されるこれらの 4 つの microstate クラスの電気潜在的な風景、以前の研究4で見られるものと似ています。
平均と標準偏差 (SD) 健常者の microstate パラメーターの表 1に示した。Microstate クラス A の発生率は 3.44 ± 1.29 倍、s、および期間は microstate クラス B の 72 ± 13 さんが発生率 3.54 ± 0.85 倍であった/s、および期間は microstate クラス C 71 ± 18 さん、発生率 3.85 ± 0.63 倍であった/s、、期間は microstate クラス D の 69 ± 9 さん、発生率は 3.41 ± 0.78 倍/s、および期間があった 66 ± 11 ms。
オメガの複雑さ
値 (平均 ± SD) 健常者の各周波数バンドのグローバル オメガ複雑さの表 2で発表されました。デルタ バンドのグローバル オメガ複雑さは 6.39 ± 1.34 だった。シータ バンド グローバル オメガ複雑さ 5.46 ± 0.85 でした。Α-1 バンドのグローバル オメガ複雑さは 3.47 ± 0.8 だった。アルファ 2 バンドのグローバル オメガ複雑さは 3.87 ± 0.70 だったベータ 1 バンドのグローバル オメガ複雑さは 5.36 ± 0.84 だったベータ 2 バンドのグローバル オメガ複雑さは 6.16 ± 0.83 だったガンマ 1 バンド、グローバル オメガ複雑さは 6.95 ± 1.07 です。ガンマ 2 バンドのグローバル オメガ複雑さは 6.88 ± 1.39 だった。
値 (平均 ± SD) 常人各周波数バンドの前のオメガの複雑さの表 2に示されました。デルタ ・ バンドの前のオメガの複雑さは 4.84 ± 1.7 だったシータ バンドの前のオメガの複雑さは 4.23 ± 1.48 だったΑ-1 バンドの前のオメガの複雑さは 3.44 ± 1.09 だったアルファ 2 バンドの前のオメガの複雑さは 3.87 ± 0.97 だったベータ 1 バンドの前のオメガの複雑さは 3.74 ± 0.81 だったベータ 2 バンド、前方オメガ複雑さは 2.94 ± 0.59 でした。ガンマ 1 バンドの前のオメガの複雑さは 1.98 ± 0.24 だったガンマ 2 バンド、前方オメガ複雑さは 3.02 ± 0.59 でした。
値 (平均 ± SD) 健常者の各周波数バンドの後オメガ複雑さの表 2に示されました。デルタ バンドの後オメガの複雑さは 3.71 ± 1.48 だったシータ バンド、後部オメガ複雑さ 2.47 ± 0.85 でした。Α-1 バンドの後オメガの複雑さは 2.11 ± 0.9 だったアルファ 2 バンド、後部オメガ複雑さ 3.16 ± 1.42 でした。ベータ 1 バンド、後部オメガ複雑さは 4.32 ± 1.67 です。ベータ 2 バンドの後オメガの複雑さは 3.84 ± 1.04 だったガンマ 1 バンドの後オメガの複雑さは 2.17 ± 0.37 だったガンマ 2 バンドの後オメガの複雑さは 2.99 ± 0.53 だった
図 1。平均正規化常人の安静状態脳波における 4 つの microstate クラス (A ~ D) の地形マップします。左後頭部方向に右前頭葉、後頭葉の向きをそれぞれ右に左前頭葉 microstate クラス A と B があります。Microstate クラス C と D が後頭部方向に前頭前野の対称地形、frontocentral 後頭部方向にそれぞれ認められました。この図の拡大版を表示するのにはここをクリックしてください。
Microstate クラス | ||||||||
A | B | C | D | |||||
意味 | SD | 意味 | SD | 意味 | SD | 意味 | SD | |
発生/s | 3.44 | 1.29 | 3.54 | 0.85 | 3.85 | 0.63 | 3.41 | 0.78 |
時間 (ミリ秒) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
テーブル 1。健常者の microstate パラメーター (n = 15)。平均と標準偏差 (SD) 発生率と 4 つの microstate クラスの期間の次の表に示されていた。
世界のオメガの複雑さ | 前のオメガの複雑さ | 後部のオメガの複雑さ | ||||
周波数バンド | 意味 | SD | 意味 | SD | 意味 | SD |
デルタ | 6.39 | 1.34 | 4.84 | 1.7 | 3.71 | 1.48 |
シータ | 5.46 | 0.85 | 4.23 | 1.48 | 2.47 | 0.85 |
アルファ 1 | 3.47 | 0.8 | 3.44 | 1.09 | 2.11 | 0.9 |
アルファ 2 | 3.87 | 0.7 | 3.87 | 0.97 | 3.16 | 1.42 |
ベータ 1 | 5.36 | 0.84 | 3.74 | 0.81 | 4.32 | 1.67 |
ベータ 2 | 6.16 | 0.83 | 2.94 | 0.59 | 3.84 | 1.04 |
ガンマ 1 | 6.95 | 1.07 | 1.98 | 0.24 | 2.17 | 0.37 |
ガンマ 2 | 6.88 | 1.39 | 3.02 | 0.59 | 2.99 | 0.53 |
表 2。健常者の世界、前部と後部のオメガの複雑さ (n = 15)。平均と標準偏差 (SD) 8 つの周波数帯 (デルタ、シータ、アルファ 1、アルファ 2、ベータ 1、ベータ 2、γ 1、γ 2) のグローバル、前部と後部のオメガの複雑さがこの表でそれぞれ示されていた。
補足ファイル。本稿で使用するスクリプトを実行するためにしてください MATLAB 環境でスクリプトを開くコマンド ウィンドウにすべてのコンテンツをコピーし、"Enter"キーを押します。スクリプト、データ セットにのみ適用に注意してください。特定の変更は、他のデータ セットにスクリプトを適用するときに必要です。このファイルをダウンロードするここをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
この記事で 2 種類の脳波分析法 (すなわち、microstate 解析とオメガ複雑度解析)、それぞれ時間の複雑さと人間の脳の空間的複雑さの測定で詳しく説明しました。記載すべきプロトコル内でいくつかの重要な手順があります。まず、脳波データは microstate とオメガの複雑さの計算前に掃除する必要があります。第二に、microstate とオメガの複雑さの計算前に平均参照に対して脳波データを remontaged する必要があります。第三に、microstate とオメガの複雑さの計算前に新紀元に連続脳波データを分割する必要があります。各時代の長さが 2 をする必要があります s の最後に、microstate 分析で使用できるソフトウェアを含む MapWin (http://、:sloreta (http://www.uzh.ch/keyinst/loreta.htm)、Cartool (https://sites.google.com/site/cartoolcommunity/about)www.thomaskoenig.ch/index.php/software/mapwin)。本研究では EEGLAB の 1 つのプラグインによる微小状態分析を行った。
認知の多様な認知操作の時間コースについての詳細を明らかに役立つ事象関連電位 (Erp) に microstate 分析ここで実施された休息状態の脳波データに適用されますが、簡単に適用できます。実験、および ERP 分析18,19を実行する参照無料のアプローチを提供します。休息状態の脳波、地形図の極性のためのメモを無視一般的;しかし、事象関連電位の地形図の極性はない無視されるべき。この脳波プラグインの小さな制限は、それことができるのみの状態の脳波を休息のため使用することです。Erp、ソフトウェア Cartool は最良の選択肢の 1 つにあります。オメガ複雑な値は 1 から N に達成します。オメガ複雑さ計算が 1 の場合、特定の脳領域内で最大グローバル機能接続を明らかにしました。一方、オメガの複雑さに等しい N、特定の脳の領域の内で最小グローバル機能接続が見つかった。したがって、我々 はオメガ複雑さの異なる脳の領域を統計的に検定する場合は、これらの領域で選択した電極の数なければなりません、電極数が大幅オメガ複雑な推定値に影響を与えるので。
安静時の脳波を研究するために研究者は多くの脳波技術 (例えば、パワー スペクトル解析, 機能的結合解析)2,3を開発しました。これらの従来手法と比較して、microstate 分析は、脳波技術の優れた時間分解能をフルに活用を取ります。4 つの識別された microstate クラスが多く安静 fMRI 研究8,20, 4 よく研究系機能との相関が発見された: 聴覚 (microstate A)、visual (microstate B) 部分的認知コントロールおよび部分的に既定のモード (microstate C) と背側注意 (microstate D)。したがって、microstate の分析は、人間の脳の休息状態ネットワーク (RSNs) の研究への新しいアプローチを提供しました。伝統的な脳波技術と比較して、オメガの複雑さは、特定の脳領域4内グローバル機能接続を特徴付けることができます。従来の機能的接続のみ頭皮電極間の機能的結合を記述できます。
しかし、2 つの脳波技術にも言及すべきいくつかの制限があります。まず、既存の microstate 分析は広帯域の脳波でよく実行される、従ってそれは脳波技術の豊富な周波数情報の利点を取らない。また、これらの 4 つの microstate クラスと関連する指標の機能的意義ところ非常に明確がないです。第二に、オメガ複雑さだけ線形依存を検出できます。いくつか従来の機能接続の統計情報 (例えば、位相ロック値、相互の情報と同期の可能性)21,22 で定量化することができる頭皮領域の間の非線形依存関係を検出できません。 ,23。
将来的に、microstate 分析は大幅に脳波の空間分解能を向上させる源位置推定手法 (例えば、:sloreta、BESA、ビームフォーミング) で適用されるべき。Microstate 分析は安静時脳波、事象関連電位で広く使用されていますがだけいくつかの研究は、時間-周波数領域にこの手法を適用しました。たとえば、ジアら24最適地形セグメンテーション分析に基づくアプローチを提案し、, 時間-周波数の詳細な機能を自動的に識別.このアプローチ効果的に振動活動の空間情報を悪用しました。ただし、これらのアプリケーションはまだまだ成熟しました。オメガの複雑さのため正規化されたオメガの複雑さは非常に必要で、オメガ複雑な推定値は電極の選択の数に依存しているので。将来は、時間-周波数領域に適用する必要があります。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者が明らかに何もありません。
Acknowledgments
この記事は中国の国家自然科学基金 (31671141) によって支えられました。
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).