Summary
Denna artikel beskriver de protokoll underliggande elektroencefalografi (EEG) Mikrotillstånd analys och omega komplexitet analys, som är två referens-fri EEG åtgärder och värdefullt att utforska de neurala mekanismerna av sjukdomar i hjärnan.
Abstract
Mikrotillstånd och omega komplexitet är två referens-fri elektroencefalografi (EEG) åtgärder som kan representera den tidsmässiga och rumsliga komplexiteten i EEG data och har använts i stor utsträckning att undersöka de neurala mekanismerna i vissa sjukdomar i hjärnan. Målet med denna artikel är att beskriva protokollet underliggande EEG Mikrotillstånd och omega komplexitet analyser steg för steg. Den största fördelen med dessa två åtgärder är att de kan eliminera problemet referens-beroende inneboende till traditionella Responsspektrum analys. Dessutom Mikrotillstånd analys gör god användning av hög tid resolution av vila-state EEG och de fyra erhållna Mikrotillstånd klasserna kunde matcha motsvarande vila-state nätverken respektive. Omega komplexitet karaktäriserar rumsliga komplexiteten i hela hjärnan eller delar av hjärnan, som har uppenbara fördelar jämfört med traditionella komplexitet åtgärder med fokus på signal komplexiteten i en enda kanal. Dessa två EEG-åtgärder kan komplettera varandra för att undersöka hjärnan komplexiteten från domänen tidsmässiga och rumsliga respektive.
Introduction
Elektroencefalografi (EEG) har ofta använts för att registrera elektriska aktivitet i den mänskliga hjärnan både klinisk diagnos och vetenskaplig forskning, eftersom det är icke-invasiv, låg-kostnadsberäknade och har mycket hög temporal upplösning1. För att studera de EEG-signalerna i vilande tillstånd, har forskare utvecklat många EEG tekniker (t.ex. power spectrum analys, funktionella anslutningsmöjligheter analys)2,3. Av dessa kunde Mikrotillstånd och omega komplexitet analys utnyttja den rumsliga och tidsmässiga informationen inneboende i EEG signaler4.
Tidigare undersökningar har visat att även om topografiska fördelningen av EEG signaler varierar över tiden i ögat-stängt eller öga-öppna vilande tillstånd, serien av momentan kartor Visa kontinuerliga förändringar av landskap, dvs perioder av stabilitet alternerande med korta övergångsperioder mellan vissa kvasi stabil EEG kretsmönster5. Frihandelsområden definieras som dessa episoder med kvasi stabil EEG kretsmönster, som varar mellan 80 och 120 ms1. Eftersom olika elektrisk potential landskap måste ha genererats av olika neurala källor, dessa frihandelsområden kan räknas som de grundläggande block av förandet och kan betraktas som ”atomer av tanke och känsla”6. Med hjälp av moderna mönster klassificering algoritmer, har fyra vilar EEG Mikrotillstånd klasser genomgående observerats, som var märkt som klass A, klass B, klass C och klass D7. Dessutom visade forskare att dessa fyra Mikrotillstånd klasser av vilande EEG data var nära förknippad med välkända funktionella system som observerats i många vila-state fMRI (funktionell magnetisk resonanstomografi) studier8,9 . Således föreskrivs Mikrotillstånd analysen en ny metod för att studera de vilande tillstånd nätverk (RSNs) mänskliga hjärnan. Dessutom påverkas den genomsnittliga varaktigheten och frekvensen av förekomsten av varje Mikrotillstånd klass, topografiska formen av fyra Mikrotillstånd kartor betydligt av vissa hjärnan störningar4,10,11, och är associerade med flytande intelligens12 och personlighet13.
I den andra aspekten, kunde traditionella funktionella anslutning av flerkanaligt EEG bara beskriva de funktionella anslutningarna mellan två hårbotten elektroder, således underlåtit att bedöma den globala funktionella connectivity över hårbotten eller inom en viss region i hjärnan. Omega komplexiteten, föreslås av Wackermann (1996)14 och beräknas genom en strategi som kombinerar principalkomponentanalys (PCA) och Shannon entropi, har använts för att kvantifiera den breda globala synkroniseringen mellan rumsligt distribueras av hjärnan. För att bedöma omega komplexiteten i varje frekvensband, utfördes Fouriertransform vanligen som ett första steg25.
Av frihandelsområden och omega komplexiteten kan användas för att återspegla två närbesläktade begrepp, dvs, tidsmässig komplexitet och rumsliga komplexitet4. Eftersom klasserna Mikrotillstånd representerar vissa mentala operationer i mänskliga hjärnan, kan de reflektera temporal strukturera av neuronala svängningar. Lägre varaktighet och högre förekomst hastighet per sekund måste ange högre tidsmässig komplexitet. Omega komplexitet är positivt relaterat med antalet oberoende neurala källor i hjärnan, alltså vanligen betraktas som en indikator på rumsliga komplexitet4.
Den aktuella artikeln beskriver protokollet av EEG Mikrotillstånd och omega komplexitet analys i detalj. EEG Mikrotillstånd och omega komplexitet analyserna ger möjlighet att mäta den tidsmässiga och rumsliga komplexiteten i hjärnans aktivitet respektive.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Detta protokoll godkändes av den lokala etiska kommittén. Alla deltagare och deras föräldrar tecknat ett informerat samtycke-formulär för detta experiment.
1. ämnen
- Endast omfatta 15 unga friska män, vars ålder varierar från 14 till 22 år (medelvärde ± standardavvikelse: 18,3 ± 2,8 år).
Obs: Det nuvarande protokollet att analysera Mikrotillstånd och omega komplexitet har utvecklats för friska individer, men är inte begränsad till denna grupp bara.
2. EEG dataregistrering
- Be försökspersoner att sitta på en bekväm stol i ett tyst, temperaturkontrollerade rum, där EEG data spelades in. Samla in 20 kanals EEG data med hjälp av ANT EEG systemet i detta protokoll.
- Lägga locket på försökspersonernas huvud.
- I denna studie använda badmössa med medelstora, eftersom det var passande för de flesta ungdomar eller manliga försökspersoner. För barn, vänligen mäta huvudet omkretsen av varje ämne och avgöra den gemensamma jordbrukspolitiken med lämplig storlek.
- Placera elektroden Cz vid cirka 50% av avståndet mellan inion och nasion och 50% av avståndet mellan vänster och höger mellan fonetiska fördjupningar. Placera referenselektroder på vänster och höger mastoideus ben, respektive. Placera andra hårbotten elektroderna på standardplatserna enligt internationella 10-20 system.
Obs: En elektrod system och EEG förstärkare med 20 kanaler räcker för EEG Mikrotillstånd analys och omega komplexitet.
- Fyll alla elektroderna med ledande gel genom att infoga en trubbig nål genom elektroderna. Använd den ledande gel till lägre impedans. Hålla alla elektrod impedanser lägre än 10 kiloohms (kΩ).
- Under denna period ge vissa underhållning för försökspersonerna (t.ex. Visa en kortfilm). Om en torr elektrod eller en saltlösning elektrod används, hoppa över steget att injicera ledande gel.
- Instruera ämnena att koppla av med ögonen stängda under inspelningen, som varar 5 min. användning programvaran digitalisering att digitalisera och registrera EEGEN signal. Använd en samplingsfrekvens på minst 250 prover/s. Använd en online filter som är bredare än 0,1 och 80 Hz.
Obs: Även om de flesta kommersiella tillgängliga elektrod-förstärkare system använder en aktiv elektrod system, som skulle kunna förbättra signal-brusförhållandet för EEG signalen, placera inte systemet nära alla elektriska apparater under EEG inspelning.
3. EEG Data förbehandling
Obs: EEG data kunde vara preprocessed använder olika öppen källkod eller kommersiell programvara. Instruktionerna nedan är specifika för EEGLAB. Detta är bara en av många tillgängliga alternativ att Förbearbeta EEG data.
- Importera EEG rådata till EEG programvaran (t.ex. EEGLAB) (fil | Importera data | Med EEGLAB funktioner och plugins).
Obs: Rådata EEG registreras från olika elektrod-förstärkare system kunde kännas igen av EEGLAB, såsom EGI, ANT, hjärnan Vision recorder, och Neuroscan. - Läsa in filen kanal läge i EEG programvaran (redigera | Kanal platser). Även om EEG data och kanal namnen har importerats till EEGLAB, importera en kanal läge till EEG programvaran för att få de rumsliga platserna av dessa elektroder.
- Ta bort referenselektroder (redigera | Välj data | Markera data i kanaler sortiment). I alternativet ”Välj data i kanaliserar spänner” i popup-dialogrutan, Välj endast inspelning elektroderna och inte väljer referenselektroder så att referens elektroderna kan tas bort. De uppgifter som registrerats i referenselektroder är inte 'sann' hjärnan signal, eftersom dessa två elektroder placeras på vänster och höger mastoideus ben respektive.
- Band pass filter EEGEN data mellan 0,5 och 80 Hz (verktyg | Filtrera data | Grundläggande FIR filter [ny, standard]). I popup-dialogrutan, Välj 5 för den ”nedre kanten av pass frekvensbandet (Hz)” och välja 80 för ”högre kanten av pass frekvensbandet (Hz)”. Klicka sedan på knappen ”OK”.
- Ta bort power line buller med notch filter mellan 49-51 Hz (verktyg | Filtrera data | Grundläggande FIR filter [ny, standard]). I popup-dialogrutan, Välj 49 för ”underkanten på pass frekvensbandet (Hz)”, och välj 51 för ”högre kanten av pass frekvensbandet (Hz)” Välj alternativet ”Notch filtrera data i stället för pass band”. Klicka sedan på knappen ”OK”.
- Korrigera data portionr förorenade av ögonrörelser, elektromyografi (EMG) eller några andra icke-fysiologiskt artefakter med de blinda källa Separation (BSS) algoritm15. Ögonrörelser, klickar du på verktyg | Artefakt borttagning med hjälp av AAR 1,3 | EOG avlägsnande | Med hjälp av BSS; för EMG, verktyg | Artefakt borttagning med hjälp av AAR 1,3 | EMG borttagning med hjälp av BSS.
- Segmentera förbearbetade kontinuerlig EEG data in i epoker, med epoken längd av 2 s. För att göra detta, skriva 'EEG = eeg_regepochs (EEG, 'återfall', 2 'gränser', [0 2], 'rmbase', NaN); pop_saveset(EEG)', tryck sedan på Enter på tangentbordet. Ett fönster kommer att dyka upp som gör att besparingen av segmenterade EEG data.
- Dataimport segmenterade EEG till programvaran EEG (fil | Ladda befintlig datamängd).
- Avvisa EEG epoker med amplitud värden som överstiger ± 80 µV på någon elektrod (verktyg | Avvisa data epoker | Avvisa data [alla metoder]).
- Spara förbehandlas EEG data (fil | Spara aktuella datamängden som).
4. EEG Mikrotillstånd analys
Obs: En modifierad version av den klassiska K-means klustring algoritmen används för Mikrotillstånd klass analys16, som innehåller ett nedifrån-och-upp-förfarande och ett upp och ned-förfarande. I förfarandet för nedifrån och upp-identifieras klasserna gruppnivå Mikrotillstånd med hjälp av rumslig korrelation som klustring kriterium. Sedan i förfarandet för upp och ned tilldelas varje topografiska karta över varje ämne i varje grupp klassen EEG Mikrotillstånd med maximal rumslig korrelation. För vila-state EEG Mikrotillstånd analys ignoreras ofta polariteten av topografiska kartor. EEG Mikrotillstånd klassanalys kan göras med hjälp av olika öppen källkod mjukvaror, såsom CARTOOL, sLORETA, EMMA och MapWin. Instruktionerna nedan är specifika för EEGLAB plugin för frihandelsområden. Denna EEGLAB plugin kan laddas ner från https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- För varje ämne, läsa in förbehandlas EEG-data (fil | Belastning som befintliga dataset), konvertera referens kanaler till gemensam genomsnittliga referens (verktyg | Ny referens), och band-pass filtrera EEG data mellan 2 och 20 Hz (verktyg | Filtrera data | Grundläggande FIR filter [ny, standard]).
- Identifiera fyra Mikrotillstånd kartorna i varje ämne (verktyg | Frihandelsområden | identifiera Mikrotillstånd kartor). I popup-dialogrutan, Välj 3 för ”Min antalet klasser”, välja 6 för ”Max antalet klasser”, välja 50 för ”antalet omstarter”, välja ”Max antal kartor att använda” och välja alternativ ”endast GFP-peak” och ”ingen polaritet”. Klicka sedan på knappen ”OK”.
- Spara EEG data för varje ämne efter att identifiera sin egen Mikrotillstånd kartor (fil | Spara aktuella datamängden som).
- Importera de EEG datamängderna av alla de ämnen som sparats i det sista steget på en gång (fil | Ladda befintlig datamängd).
- Identifiera gruppnivå Mikrotillstånd kartor (verktyg | Frihandelsområden | Genomsnittliga Mikrotillstånd kartor över datamängder). I popup-dialogrutan, markera datamängderna i alla ämnen i alternativet ”Välj anger för genomsnitt”. I alternativet ”namn betyder”, ge ett namn för gruppnivå Mikrotillstånd kartor. Standardnamnet är ”GrandMean”. Klicka sedan på knappen ”OK”. Detta kommer att skapa en ny datauppsättning som namnges som ”GrandMean”, som lagrar gruppnivå Mikrotillstånd kartor.
- Manuellt sortera ordningen för fyra gruppnivå Mikrotillstånd kartor enligt deras klassiska ordning (Rita | Redigera Mikrotillstånd kartor). I popup-fönstret, Välj ”mer” och sedan numrera av kartor visas blir fyra. Välj ”Man. sortera”. I popup-dialogrutan, ange den nya ordningen av fyra gruppnivå Mikrotillstånd kartor. Klicka på ”Stäng”.
- Sortera ordningen av fyra Mikrotillstånd kartor över varje ämne (verktyg | Frihandelsområden | Sortera enskilda Mikrotillstånd kartor enligt medelvärdet).
- Spara Mikrotillstånd parametrarna för varje ämne (verktyg | Frihandelsområden | Kvantifiera frihandelsområden i datamängd [genomsnittlig mall kartor]), som kommer att anropa två popup-dialogrutor sekventiellt.
- I första dialogrutan, Välj datauppsättningar i alla ämnen. I dialogrutan andra Välj ”4 klasser” för alternativet ”nummer av klasserna”, Välj alternativ för ”montering endast på GFP toppar” och ”ta bort potentiellt trunkerade frihandelsområden”, Välj 30 för ”etiketten smoothing fönster (ms)” och välj 1 för ”icke jämnhet straff ”. Klicka sedan på ”Ok”. En csv-fil som lagrar Mikrotillstånd parametrarna sparas på datorn.
5. omega komplexitet analys
- Spara EEG data av varje epok och varje ämne i ASCII- eller txt format använder anpassade skript. Ett exempel på den anpassade skriften för steg 5.1 kunde hittas i den kompletterande material.
Obs: Om den globala omega komplexiteten beräknas, EEG data av alla hårbotten elektroderna behövs för att exportera i ASCII- eller txt-format. Om regionala omega komplexiteten beräknas, exportera endast EEG data av elektroder i hårbotten regionen. Till exempel för att beräkna främre omega komplexitet, exportera endast EEG data av elektroder i främre region (dvs. Fp1, Fp2, F7, F3, Fz, F4 och F8); för att beräkna bakre omega komplexitet, exportera endast EEG för elektroder i bakre region (dvs, T5, T6, P3, P4, Pz, O1 och O2). - Beräkna alla diskreta frekvenser använder sLORETA programvara17 omega komplexitet (Utilities | Global anslutning). Denna programvara är tillgänglig på http://www.uzh.ch/keyinst/loreta.htm.
- Beräkna varje frekvensband som använder anpassade skript26omega komplexitet. I vårt fall beräkna omega komplexiteten i de följande åtta frekvensband som medelvärdet inom varje frekvens, som är 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), och gamma2 (52-80 Hz)4. Ett exempel på den anpassade skriften för steg 5.3 kunde hittas i den kompletterande material.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG Mikrotillstånd
Grand menar normaliserade Mikrotillstånd kartor visas i figur 1. De elektriska potentiella landskap av dessa fyra Mikrotillstånd klasser definieras här är mycket lika de som finns i tidigare studier4.
Medelvärde och standardavvikelse (SD) av Mikrotillstånd parametrar för friska visades i tabell 1. För Mikrotillstånd klass A, förekomst var 3.44 ± 1,29 gånger / s, och varaktighet var 72 ± 13 ms. för Mikrotillstånd klass B, förekomst var 3.54 ± 0,85 gånger / s, och varaktighet var 71 ± 18 ms. för Mikrotillstånd klass C, förekomst var 3,85 ± 0.63 gånger / s , och varaktighet var 69 ± 9 ms för Mikrotillstånd klass D, förekomst var 3,41 ± 0.78 gånger / s, och varaktighet var 66 ± 11 ms.
Omega komplexitet
Värdet (genomsnitt ± SD) av globala omega komplexitet varje frekvensband i de friska försökspersonerna var presenteras i tabell 2. För delta band var den globala omega komplexiteten 6.39 ± 1,34. Den globala omega komplexiteten var theta band, 5.46 ± 0,85. Alfa-1 band var den globala omega komplexiteten 3,47 ± 0,8. Alpha-2 band var den globala omega komplexiteten 3.87 ± 0,70. Beta-1 band var den globala omega komplexiteten 5,36 ± 0,84. För beta-2 band var den globala omega komplexiteten 6,16 ± 0,83. För gamma-1 band var den globala omega komplexiteten 6,95 ± 1,07. För gamma-2 band var den globala omega komplexiteten 6.88 ± 1.39.
Värdet (genomsnitt ± SD) av främre omega komplexitet varje frekvensband i de friska försökspersonerna var visas i tabell 2. För delta band var främre omega komplexiteten 4.84 ± 1,7. Theta band var den främre omega komplexiteten 4.23 ± 1,48. För alfa-1 band var främre omega komplexiteten 3.44 ± 1,09. Alpha-2 band var den främre omega komplexiteten 3.87 ± 0,97. Beta-1 band var den främre omega komplexiteten 3.74 ± 0,81. För beta-2 band var främre omega komplexiteten 2,94 ± 0,59. För gamma-1 band var främre omega komplexiteten 1.98 ± 0,24. För gamma-2 band var främre omega komplexiteten 3,02 ± 0,59.
Värdet (genomsnitt ± SD) av bakre omega komplexitet varje frekvensband i de friska försökspersonerna var visas i tabell 2. För delta band var bakre omega komplexiteten 3.71 ± 1,48. Theta band var den bakre omega komplexiteten 2,47 ± 0,85. För alfa-1 band var bakre omega komplexiteten 2.11 ± 0,9. Alpha-2 band var den bakre omega komplexiteten 3.16 ± 1,42. Beta-1 band var den bakre omega komplexiteten 4,32 ± 1,67. För beta-2 band var bakre omega komplexiteten 3,84 ± 1,04. För gamma-1 band var bakre omega komplexiteten 2,17 ± 0,37. För gamma-2 band var bakre omega komplexiteten 2.99 ± 0,53.
Figur 1. Genomsnittliga normaliserade topografiska kartor av Mikrotillstånd fyra klasser (A-D) av vila-state EEG hos friska. Mikrotillstånd klass A och B har en rätt frontal till vänster occipital orientering och en vänster frontal till höger occipital orientering, respektive. Mikrotillstånd klass C och D har symmetriska kretsmönster, men prefrontala till occipital orientering och frontocentral till occipital orientering observerades, respektive. Klicka här för att se en större version av denna siffra.
| Mikrotillstånd klasser | ||||||||
| A | B | C | D | |||||
| Menar | SD | Menar | SD | Menar | SD | Menar | SD | |
| Förekomst/s | 3.44 | 1.29 | 3.54 | 0,85 | 3,85 | 0,63 | 3.41 | 0,78 |
| Varaktighet (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabell 1. Mikrotillstånd parametrarna för de friska försökspersonerna (n = 15). Medelvärde och standardavvikelse (SD) förekomst hastighet och varaktighet av fyra Mikrotillstånd klasser visades i den här tabellen.
| Globala Omega komplexitet | Främre Omega komplexitet | Bakre Omega komplexitet | ||||
| Frekvensband | Menar | SD | Menar | SD | Menar | 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 |
| Alpha-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 |
| 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 |
Tabell 2. Global, främre och bakre omega komplexiteten i de friska försökspersonerna (n = 15). Medelvärde och standardavvikelse (SD) av den globala, främre och bakre omega komplexiteten för de åtta frekvensband (delta, theta, alfa-1, alpha-2, beta-1, beta 2, gamma-1, gamma-2) visades respektive i den här tabellen.
Tilläggsfilerna. För att köra de skript som används i detta manuskript, vänligen öppna skript i MATLAB-miljön och sedan kopiera allt innehåll i kommandofönstret och tryck på ”Enter”-tangenten. Observera att skripten bara gälla våra datauppsättningar. Vissa ändringar behövs när skript används i andra datamängder. Vänligen klicka här för att hämta den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denna artikel, två sorters EEG analytiska metoder (dvs Mikrotillstånd analys och omega komplexitet analys), mätning av tidsmässig komplexitet och rumsliga komplexiteten hos mänskliga hjärnan respektive, beskrevs i detalj. I området i närheten finns det flera kritiska steg inom protokollet som bör nämnas. För det första måste EEG data rengöras före uträkningen av Mikrotillstånd och omega komplexitet. För det andra bör EEG data vara remontaged mot den genomsnittliga referensen innan uträkningen av Mikrotillstånd och omega komplexitet. För det tredje, kontinuerlig EEG data måste vara uppdelad i epoker före uträkningen av Mikrotillstånd och omega komplexitet. Längden på varje epok bör vara 2 s. Slutligen, den programvara som kan användas i Mikrotillstånd analys inkluderar Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) och MapWin (http:// www.thomaskoenig.ch/index.php/Software/mapwin). Mikrotillstånd utfördes med hjälp av en plugin i EEGLAB i denna studie.
Även om den Mikrotillstånd analys som utförs här tillämpades på vilar staten EEG data, skulle det lätt kunna tillämpas på event-relaterade potentialer (ERPs), som hjälper oss att avslöja mer information om tidsförlopp av olika kognitiva verksamheten i kognitiv experiment, och ge en referens-fri metod för att utföra ERP analys18,19. Obs, för vila staten EEG, polariteten av topografiska kartor ignoreras ofta; för ERPs, bör dock polariteten av topografiska kartor inte lämnas. En liten begränsning av denna EEG plugin är att det endast kunde användas för vila staten EEG. För ERPs, kan programvaran Cartool vara en av de bästa valen. Värdet omega komplexitet uppnår från 1 till N. Om omega komplexitet beräknas är 1, en maximal global funktionella anslutning inom en viss region i hjärnan uppenbaras; medan om omega komplexitet lika med N, en minsta global funktionella anslutning inom en viss region i hjärnan hittas. Således, om vi vill statistiskt testa omega komplexiteten i olika hjärnregioner, antalet elektroder som valts i dessa regioner måste vara lika, eftersom antalet elektroder kan avsevärt påverka värdet av omega komplexitet Beräknad.
För att studera vilande EEGEN, har forskare utvecklat många EEG tekniker (t.ex. power spectrum analys, funktionella anslutningsmöjligheter analys)2,3. Jämfört med dessa traditionella tekniker, tar Mikrotillstånd analys full nytta av de utmärkta temporal upplösningen av EEG teknik. De fyra identifiera Mikrotillstånd klasserna befanns vara korrelerade med fyra väl studerat funktionella system som observerats i många vila-state fMRI studier8,20: auditiva (Mikrotillstånd A), visual (Mikrotillstånd B), delvis kognitiva kontroll och delvis standardläget (Mikrotillstånd C), och dorsala uppmärksamhet (Mikrotillstånd D). Således föreskrivs Mikrotillstånd analysen en ny metod för att studera de vilande tillstånd nätverk (RSNs) mänskliga hjärnan. Jämfört med traditionella EEG tekniker, kunde omega komplexitet karakterisera den globala funktionella anslutningsmöjligheter inom en viss hjärnan region4. Traditionella funktionella anslutning kunde bara beskriva funktionella anslutningen mellan två hårbotten elektroder.
Men har de två EEG-teknikerna också flera begränsningar som bör nämnas. För det första, befintliga Mikrotillstånd analysen utförs vanligen på bredband EEG signaler, således det drar inte fördel av rika frekvens information av tekniken med EEG. Dessutom den funktionella betydelsen av dessa fyra Mikrotillstånd klasser och relaterade mätvärden är inte mycket klart så långt. För det andra kan omega komplexitet endast upptäcka linjära beroenden. Det kan inte upptäcka de icke-linjära beroenden mellan regionerna i hårbotten, som kunde kvantifieras av vissa traditionella funktionella anslutningsmöjligheter mätvärden (fas-låsning värde, ömsesidig information och synkronisering sannolikheten)21,22 ,23.
I framtiden bör Mikrotillstånd analysen tillämpas med källkod lokalisering tekniker (t.ex. sLORETA, BESA, strålformning), vilket avsevärt kommer att förbättra den rumsliga upplösningen i EEG signaler. Även om Mikrotillstånd analysen har allmänt använts i vilopuls EEG och ERPs, har endast ett fåtal studier tillämpat denna teknik till tid-frekvensplanet. Till exempel Jia o.a. 24 föreslås en strategi baserad på topografiska segmentering analys till optimalt och identifiera automatiskt detaljerade tidsfrekvens funktioner. Detta tillvägagångssätt kan effektivt utnyttja rumsliga information oscillerande verksamhet. Dessa program är dock långt ifrån mogen. För omega komplexitet behövs mycket en normaliserad omega komplexitet, eftersom värdet av omega komplexitet Beräknad är beroende av antalet elektroder som valts. I framtiden bör det tillämpas på tid-frekvensplanet.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har något att avslöja.
Acknowledgments
Denna artikel stöddes av den nationella naturvetenskap Foundation i Kina (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).
