Olay İlişkili Potansiyeller, Spektral Güç ve Çok Ölçekli Entropi: EEG beyin görüntüleme Veri Uygulamaları

Bu prosedürün genel amacı, bir EEG zaman serisinin değişkenliğini ölçmek ve bu değişkenliği altta yatan sinir sisteminin bilgi işleme kapasitesiyle ilişkilendirmektir. Bu, önce beynin tepkisinin yüksek kaliteli EEG kayıtlarını elde ederek gerçekleştirilir. İkinci adım, herhangi bir yapıtı kaldırmak için verileri önceden işlemektir.

Daha sonra, ilgilenilen istatistikler çıkarılır. Burada, çok ölçekli entropinin yeni uygulamasını daha geleneksel ortalama genlik ve spektral güç yöntemleriyle karşılaştıracağız. Son adım, sonuçların istatistiksel anlamlılığını analiz etmek ve verileri yorumlamaktır.

Bu adım, kısmi kira karesi analizi gibi veriye dayalı çok değişkenli yaklaşımlar kullanılarak kolaylaştırılabilir. Sonuç olarak, çok ölçekli entropi, birden çok zaman ölçeği boyunca uzamsal zamansal modeldeki bir dizi değişikliğin belirli bilişsel işlemlere nasıl katkıda bulunduğunu göstermek için kullanılır. MSC'yi ortalama genlik veya spektrum gücü gibi mevcut yöntemlere göre kullanmanın avantajı, MSC'nin verilerdeki doğrusal olmayanlara duyarlı olmasıdır.

Bu doğrusal olmayan dinamikler, dağıtılmış bir beyin bölgeleri ağı boyunca bilgi alışverişi için önemli olan bir ağın mikro durumları arasındaki geçişleri veya çatallanmaları yansıtır. Bu prosedürü gösteren, Rotman Araştırma Enstitüsü'ndeki ERP laboratuvarından Christina Backer olacaktır. İlk olarak, deneysel prosedürleri katılımcıya açıklayın ve bilgilendirilmiş onay alın.

Açılır elektrotların yerleştirileceği alanı alkollü bir bez kullanarak temizleyin. Elektrotun üzerine biraz jel yerleştirin. Kağıtları cilt tarafından çıkarın ve göz hareketi artefaktlarını tanımlamak için elektrotları katılımcının üzerine yerleştirin.

Göz kapağının üst ve alt kısımlarının yan birleşimine bir elektrot yerleştirin. Orbital sırtın merkezine, gözün yaklaşık bir santimetre altına ve göz bebeği ile aynı hizada başka bir elektrot yerleştirin. Diğer göz için tekrarlayın.

Katılımcının baş çevresini ölçün ve uluslararası kabul görmüş 10 20 sistemini takip ederek uygun elektrot kapağı boyutunu seçin. Elektrot yerleşimi için, orta hat boyunca Indian Ian'a olan mesafeyi ölçün ve bu sayıyı kullanarak %10'a bölün. NAS'tan ölçün ve işaretleyin.

Elektrot kapağı konumunu FP bu işaretle hizalayın ve kapağı geri çekin. Başlığın merkezinin burun ile aynı hizada olduğundan emin olun. nasn için cz ölçün ve bu mesafenin NAS ile Hint arasındaki mesafenin yarısı olduğunu onaylayın.

Ardından çene kayışını sıkın ve gerekirse rahatlık için kayışın altına gazlı bez yerleştirin. Şimdi, iletken bir jel sütunu oluşturmak için jel dolgulu künt nokta şırıngasını elektrot tutuculara yerleştirin. Kafa derisi ile temas etmeye başlayın, ardından sıkın ve geri çekin.

Çok fazla jel uygulamasının komşu elektrotların sinyallerini köprüleyebileceğini unutmayın. Ardından, aktif elektrotları elektrot tutucularına sabitleyin. Ardından konuyu monitörün önüne uygun bir mesafede konumlandırın.

Deney için, katılımcıdan göz hareketlerini ve göz kırpmalarını en aza indirmenin önemini vurgulayarak hareketsiz kalmasını isteyin. Temiz bir kayıt için, çekim bilgisayarında elektrot bağlantılarını ve EEG sinyal kalitesini inceleyin. Belirli bir elektrotla ilgili bir sorun varsa, o elektrotu çıkarın ve deneyden sonra, ancak ilgilenilen belirli istatistiği çıkarmadan önce, o bölgedeki empedansları ayarlamak için jeli yeniden uygulayın.

Standart filtreleme ve artefakt Reddetme prosedürlerini kullanarak artefaktları gidermek için sürekli EEG verilerini önceden işleyin. Olayla ilgili potansiyel analizi, bir uyaranın başlangıcına faz kilidi olan senkronize beyin aktivitesini yakalar Zaman kilidi, beynin göze çarpan bir olayın başlangıcına verdiği tepkiyi kilitler ve ardından birçok benzer olayın ortalamasını alır. Sinyal-gürültü oranını artırmak, her konu için ERP bileşeninin tepe genliğini ve gecikmesini belirlemek için Spectra gücü, bir frekansın belirli bir EEG sinyaline göreceli katkısını ölçer.

EEG sinyalini zaman alanından frekans alanına dönüştürmek için Fourier analizini kullanın ve sinyali değişen frekanslardaki bileşen sinüs dalgalarına ayrıştırın. Çok ölçekli entropi, nöroelektrik sinyallerin zaman içinde ve birden çok kez değişkenliğini yakalayan bir bilgi teorisi metriğidir. Terazi. Çok ölçekli entropiyi iki adımda hesaplamak için PhysioNet'teki algoritmayı kullanın.

İlk adımda, kademeli olarak düşer. Her deneme ve koşul zaman ölçeği için sinyali örnekleyin. Biri orijinal sinyali temsil eder.

Önce orijinal sinyali zaman ölçeği uzunluğunun örtüşmeyen pencerelerine bölerek sonraki zaman ölçekleri oluşturun. Ardından, her penceredeki veri noktalarının ortalamasını alın. Örneğin, zaman ölçeği oluşturmak için iki ortalama birlikte.

İlk iki nokta, sonraki iki nokta vb. Zaman ölçeği oluşturmak için üç, ilk üç noktanın, sonraki üç noktanın vb. ortalamasını alır. Orijinal sinyali çeşitli zaman ölçeklerinde temsil ederek, farklı oranlarda ortaya çıkabilen sinirsel süreçler analiz edilebilir.

İkinci adım, her kurs için örnek entropisini hesaplar. Taneli zaman serileri. Bu, farklı zaman ölçeklerinde beynin tepkisinin karmaşıklığının bir tahminini sağlar.

Düzenli sinyaller, daha stokastik sinyallerden daha düşük örnek entropisine sahiptir. Bu örnekte, M desen uzunluğu iki olarak ayarlanmıştır. Bu, zaman serisinin iki ve üç puanlık dizi eşleşmelerinin bir oranı olarak temsil edileceği anlamına gelir.

Parametre R benzerlik kriteridir. Bu genlik aralığında yer alan veri noktaları benzer değerlere sahiptir ve bu nedenle eşleştiği söylenir. Parametrelerin ayarlanmasıyla ilgili ayrıntılar için, bu simüle edilmiş zaman serisi için örnek entropisini hesaplamak üzere metin protokolüne bakın.

İlk iki bileşenle başlayın. Dizi deseni, kırmızı turuncu, önce kırmızı turuncu dizi deseninin zaman serisinde kaç kez meydana geldiğini sayın. Bunun için 10 maç var.

İki bileşen dizisi. İkinci olarak, ilk üç bileşenin kaç kez olduğunu sayın. Dizi deseni, kırmızı, turuncu, mor zaman serilerinde oluşur.

Bunun için beş maç var. Üç bileşenli dizi. Sonraki iki bileşen dizisi (turuncu, mor ve sonraki üç bileşen dizisi, zaman serisinin turuncu, mor, yeşili) için aynı işlemlerle devam edin.

Bu diziler için iki bileşen eşleşmesinin ve üç bileşen eşleşmesinin sayısını önceki değerlere ekleyin. İki bileşen eşleşmesinin üç bileşen eşleşmesine toplam oranını belirlemek için zaman serisindeki diğer tüm dizi eşleşmeleri için tekrarlayın. Örnek entropisi, bu oranın doğal logaritmasıdır.

Bu veriler, yüz fotoğraflarının ilk ve tekrarlanan sunumuyla tezat oluşturan ERP spektral gücü ve entropisindeki durum farklılıklarını göstermektedir. Bu örnekte, tüm ölçümler, yüz tekrarına eşlik eden örnek entropisindeki azalmanın aynı etkisini ortaya çıkarmak için birleşti. Karmaşıklıktaki bu azalma, ilgili işlevsel ağın daha basit olduğunu ve daha az bilgi işlediğini göstermektedir.

Bu istatistiksel sonuçlar, ERP spektral gücünün kısmi kira karelerinin çok değişkenli analizinden ve farklı aşinalık seviyeleriyle ilişkili yüzler için çok ölçekli entropiden türetilmiştir. Kontrast, ERP genliğinin yeni yüzleri tanıdık yüzlerden ayırt ettiğini, ancak önceki maruz kalma miktarına göre değişen tanıdık yüzler arasında olmadığını göstermektedir. Spektral güç, yüzleri aşinalığa göre ayırt etti, ancak düşük ve orta aşinalığa sahip yüzler arasında doğru bir ayrım yapmadı.

Çok ölçekli entropi, durum farklılıklarına en duyarlıydı. Örneklem entropi değerleri, yüz aşinalığı arttıkça artmıştır. Bu görüntü grafikleri, koşul efektinin uzamsal zamansal dağılımını yakalar.

İlginç bir şekilde, Çok Ölçekli entropi, ERP veya spektral gücün daha geleneksel analizleriyle elde edilmeyen benzersiz bilgileri ortaya çıkardı. Çok ölçekli entropinin bu farklılığı, koşulların, muhtemelen frekans bantları arasındaki etkileşimleri içeren ağ dinamiklerinin doğrusal olmayan yönlerine göre farklılık gösterdiğini göstermektedir. Bu yeni analitik araç, sinir ağı dinamikleri hakkında yeni bilgiler yakalamamıza yardımcı oluyor ve zihinsel işlevi statik durumlar açısından karakterize etmekten uzaklaşmamıza ve insan bilişiyle bağlantılı süreçlerin akıcı bir şekilde ortaya çıkmasını anlamamıza yardımcı oluyor.