Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Çocuklarda Yüksek Yoğunlukta EEG Recordings kortikal Kaynak Analizi

20.9K görüntülenme

⸱

DOI:

10.3791/51705

⸱

30 Haziran 2014

 ,  , 
1Cognitive Neuroscience & Neuropsychiatry Section, UCL Institute of Child Health, 2Academic Division of Neonatology, Institute for Women's Health, University College London

Bu makalede

Özet

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

Özet

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

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

Giriş

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

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

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

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

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

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

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

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

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

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

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

1 çocuk. Tasarımı EEG ve olaya ilişkin potansiyel deneyleri

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

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

2.. Veri Toplama

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

3. Analizi

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Bebekler ve çocuklar için Tasarımı ERP deneyler sık sık uzun tekrarlı deneyler 30 tahammül sınırlı kapasitesi, meydan okuyor. Doğru kaynak rekonstrüksiyon 1. 1. görüntüler çok küçük çocuklar ile birlikte kullanılabilir yüz işleme mekanizmalarının araştırılması için bir deney protokolü Şekil gürültü oranı yüksek bir sinyal gerektirir çünkü deneyci, kaynak yeniden başvurmayı planlıyor Bu sorun daha da ağırlaşmaktadır. Paradigma çocuklar yetişkin gönüllü b) arası uyar...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu makale yaş çocuklar için uygun standart bir ERP paradigma uygun ortalama MRG şablonlar ve derinlik ağırlıklı asgari norm tahmin dayalı sınır eleman modelleri kullanılarak kortikal jeneratörler yeniden inşası için yüksek yoğunluklu EEG kayıt ve analizini açıklar. Bu paradigmada, yüzleri ve şifreli yüzler resimleri sunulmaktadır. Farklı yazarlar gelişme üzerinde 35 yüz işleme mekanizmalarının geliştirilmesini araştırmak için bu paradigma kullandı. Kanal düzeyde, geçici kanallar oksipito hakkı üzerinde daha f...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Teşekkürler

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Yüksek yoğunluklu EEG sensör ağı (128 veya 256 kanal)HydroCel Jeodezik Sensör Ağı 128Electrical Geodesic Inc., Oregon, ABD
EEG yüksek empanslı amplifikatörNetAmps 200Electrical Geodesic Inc., Oregon, ABD
Veri Toplama Bilgisayarı PowerMac G4Apple Inc, California, ABD
Uyarıcı Sunum BilgisayarıOptiplex 745Dell Computers Inc., Texas, ABD
Uyarıcı Sunum YazılımıMATLAB R2012b with PsychToolBoxBrainard et al. 1997
EEG kayıt yazılımıNetStation 4.5.1Electrical Geodesic Inc., Oregon, ABD
EEG analizi yazılımMATLAB R2012bMathworks Inc.
EEGLABDelorme et al. 2004
BrainStormSylvain et al. 2001
MRI işleme yazılımıFreeSurferFischl et al. 2004
OpenMEEGGramfort et. al. 2010
Delorme, A., & Makeig, S. EEGLAB: bağımsız bileşen analizi de dahil olmak üzere tek deneme EEG dinamiklerinin analizi için açık kaynaklı bir araç kutusu. Sinirbilim Yöntemleri Dergisi, 134(1), 9– 21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Beyin fırtınası: MEG / EEG analizi için kullanıcı dostu bir uygulama. Hesaplamalı Zeka ve Sinirbilim, 1– 13, (2011).
Fischl, B. et al. İnsan serebral korteksini otomatik olarak parselleme. Serebral Korteks, 14(1), 11– 22, (2004).
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. OpenMEEG: yarı statik biyoelektromanyetik için açık kaynaklı yazılım. OnLine, 9(1), 45, (2010).
Brainard, D. H. Psikofizik araç kutusu. Uzamsal görme, (1997).

Kaynaklar

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O'Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants' covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What's new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Pediyatrik KatılımcılarYapısal MRGSınır Elemanları ModeliKaynak RekonstrüksiyonuEEG Ön İşlemeFreeSurfer YazılımıBrainstorm YazılımıMinimum Norm Tahmini
Çocuklarda Yüksek Yoğunlukta EEG Recordings kortikal Kaynak Analizi
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.