이벤트 관련 후보, 분광 및 멀티 스케일 엔트로피 : EEG 신경 영상 데이터의 응용

1Rotman Research Institute, Baycrest
Published 6/27/2013
0 Comments
  CITE THIS  SHARE 
Neuroscience
 

Summary

신경 영상 연구는 일반적으로 반복 실험 실험을 통해 평균 활동으로 뇌의 반응을 고려하고 "노이즈"와 같은 시간에 신호 변화를 무시하십시오. 하지만, 그 잡음 신호가 분명 해지고있다. 이 문서에서는 시간 영역에서 뇌 신호 변화를 정량화를위한​​ 멀티 스케일 엔트로피의 새로운 방법에 대해 설명합니다.

Cite this Article

Copy Citation

Heisz, J. J., McIntosh, A. R. Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy. J. Vis. Exp. (76), e50131, doi:10.3791/50131 (2013).

Please note that all translations are automatically generated through Google Translate.

Click here for the english version. For other languages click here.

Abstract

인간의 신경 영상 데이터를 고려할 때, 신호 변화에 대한 이해는 우리가 뇌의 신호에 대해 생각하는 방식을 근본적으로 혁신을 나타냅니다. 일반적으로, 연구자들은 반복 실험 실험을 통해 평균으로 뇌의 반응을 나타내며 "노이즈"로 시간이 지남에 따라 신호 변동을 무시하십시오. 그러나 뇌의 신호 변화가 신경 네트워크의 역학에 대한 의미 기능 정보를 전달 명확 해지고있다. 이 문서에서는 뇌의 신호 변동을 정량화를위한​​ 멀티 스케일 엔트로피 (MSE)의 새로운 방법에 대해 설명합니다. 이 척도 의존하고 데이터의 선형 및 비선형 역학에 대한 민감도를 보여주기 때문에 MSE는 신경망 역학에 특히 유익 할 수 있습니다.

Introduction

신경 영상 최근의 발전은 크게 뇌 기능의 이해를 증강했다. 그러나 신경 영상 데이터를 응용 프로그램의 많은 사람들이 실시간으로 전개로 인식 작업을 강조하는 것보다 정적 인 상태에서 오히려 뇌의보기를 강화하는 경향이있다. 따라서, 약간은 뇌 네트워크의 시공간 구조에 대한 방법과 여러 척도를 통해 시공간적 패턴의 변화의 순서가 특정인지 적 작업에 기여하는 것으로 알려져 있습니다. 본 기사는 멀티 스케일 엔트로피 (MSE) 5 여러 척도를 통해 뇌 기능 네트워크 통신의 방법에 다른 신경 발전기에 대한 정보를 제공하여 특정인지 작업의 기초가되는 시공간 패턴의 복잡성을 검사 데이터를 신경 영상에 대한 새로운 분석 도구를 설명합니다.

정보 이론에서 파생 된 수학 7,16의 적용 분기, MSE는 원래이었다심전도 4의 복잡성을 조사하기 위해 설계 LY. 이론적으로, MSE는 언제든지 시리즈의 복잡성을 분석하는 데 사용할 수있는, 기본 필수는 신호 시계열 연속 시간의 적어도 50 데이터 포인트가 포함되어 있습니다. 그러나 척도 의존과 데이터의 선형 및 비선형 역학에 대한 민감도는 신경 네트워크 역학, 특히 정보 MSE 만들 수 있습니다.

여기, 우리는 데이터 9,12를 신경 영상 뇌전도 (EEG)에 MSE의 응용에 초점을 맞 춥니 다. 뇌파는 두피에 배치되는 전극 신피질 1 뉴런의 인구의 시냅스 응답을 캡처 그것에 비 침습적 신경 영상 기술입니다. 높은 시간적 해상도, EEG 쉽게 일반적인 인수 프로토콜을 변경하지 않고 MSE의 필수 시계열의 길이를 충족합니다. EEG 데이터 MSE의 응용 프로그램의 유틸리티를 강조하기 위해, 우리는 더 전통적인 접근 방식 포함하여이 새로운 방법을 비교이벤트 관련 잠재력과 분광을 uding. 함께 사용할 경우, 분석이 보완 방법은 인식을 야기 할 신경망 운영에 더욱 통찰력으로 이어질 수있는 데이터에 대한 자세한 설명을 제공합니다.

Protocol

1. EEG 취득

  1. 참가자에게 실험 과정을 설명하고 동의를 구하십시오.
  2. 전극을 드롭 다운 적용됩니다. 클린 드롭 다운 전극 알코올 면봉을 사용하여 위치 할 얼굴 영역입니다.
  3. 참가자의 머리에 전극 캡을 배치합니다. 참가자의 머리 둘레를 측정하고 적절한 캡 크기를 선택합니다. 전극 배치에 대한 국제적 10-20 시스템에 따라, 정중선을 따라 nasion에서 inion까지의 거리를 측정하고 10 % 나눕니다. 그 번호 사용 nasion 및 표시로부터 측정합니다. 이 마크와 전극 캡 위치 FP를 맞추고 뚜껑을 다시 당깁니다. 캡의 중심이 코 라인에 있는지 확인하십시오. 의 Cz에 nasion을 측정하고,이 거리가 nasion에서 inion까지 거리의 절반인지 확인합니다. chinstrap를 조입니다.
  4. 장소는 전극 홀더의 무딘 점 주사기를 젤 채워진. 젤의 전도성 열을 만들려면, 접촉 시작두피는 다음 짜 철수. 너무 많은 젤의 응용 프로그램이 이웃 전극의 신호를 해소 할 수 있습니다.
  5. 전극 홀더에 활성 전극을 고정합니다.
  6. 실험에 대한 적절한 거리에서 모니터 앞에있는 피사체를 배치합니다. 깨끗한 녹음 안구의 움직임과 점멸을 최소화의 중요성을 강조, 여전히 남아있는 참가자를 부탁드립니다.
  7. 인수 컴퓨터에 전극 연결 및 EEG 신호 품질을 검사합니다. 모든 전극 오프셋이 낮은 (<40 MV) 및 안정되어 있는지 확인합니다. 특정 전극에 문제가있는 경우,이 전극을 꺼내 해당 사이트에서 임피던스를 조정하는 젤을 다시 적용합니다.
  8. 파일을 저장하고 실험을 시작합니다.

2. EEG 분석

  1. 실험 후,하지만 관심의 특정 통계를 추출하기 전에 사전 처리는 지속적인 EEG 데이터를 필터링하는 표준 절차를 사용하여 아티팩트를 제거하는ND 이슈 거부. 이러한 사진의 프레젠테이션과 각 개별 이벤트에 해당 에포크에 지속적인 EEG를 잘라. 각 시대에서 기준으로 100 밀리 사전 자극 창을 이용하실 수 있습니다.
  2. 이벤트 관련 전위 (ERP) 분석은 이벤트의 개시로 위상 잠겨 동기 두뇌 활동을 캡처합니다. 백그라운드 작업 (즉, 비 위상 잠금) "잡음"에서 유발 반응을 분리하는 실험을 통해 평균. 실험을 통해 및 대상 사이의 변동성 분석의 ERP 메서드에 대한 큰 도전을 선물한다. 좋은 신호 대 잡음 비율을 달성하기 위해 실험 프로토콜을 정의 onsets 많은 개별 이벤트를 포함해야합니다. 돌출 이벤트의 발병 뇌의 반응을 잠금 다음 이벤트 같은 많은 평균화 시간이 소음을 줄일 수 있지만,이 절차에 의해 생성 된 임시 공시성 (synchrony)은 일반적으로 1 초 내에 용해. 각 하위에 대한 ERP 구성 요소 피크 진폭과 대기 시간을 확인합니다JECT (ERP 분석에 대한 자세한 지침은, 픽턴 등을 참조하십시오., 2000).
  3. 푸리에 분석을 사용하여 주파수 도메인으로 시간 영역에서 EEG 신호를 변환하고 주파수는 6 다양한 자사의 합성 사인파에 신호를 분해.
  4. 멀티 스케일 엔트로피 (MSE)는 시간이 지남에 따라 여러 척도를 통해 neuroelectical 신호의 변동을 추정 정보 이론 메트릭입니다. MSE 분석의 개념 묘사를 제공하기 위해 두 개의 시뮬레이션 파형, 일반 파형과 더 확률을 고려하십시오. 샘플 엔트로피 값은 일반 파형 거의 0이며, 더 가변 파형 2.5 ~. 샘플 엔트로피의 증가는 정보 이론에 따르면, 기본 시스템 7,16의 정보 처리 능력의 양의 증가로 해석 될 수있는 신호 복잡성의 증가에 해당합니다. 뇌의 용량이 고정되지 않았 음을 기억하지만, 변화는 릅니신경 컨텍스트 2 nding, 기능적으로 특정 시점에 연결되어 일어나는 뇌 영역 즉.
  5. MSE를 계산하려면 다음 웹 사이트에서 사용할 수있는 알고리즘을 사용 www.physionet.org/physiotools/mse/ 두 단계 MSE를 계산합니다.
  6. 첫째, 알고리즘 점차적으로 아래 샘플 시험 기준 및 조건 당 EEG 시간 시리즈. 아래 예제 원래의 시계열 변화 척도의 다중 시계열을 생성합니다. 시간 시리즈 1은 원래의 시계열이다. 후속 척도의 시계열을 만들려면 척도 길이와 평균의 비 중첩 창 각 창 내의 데이터 포인트에 원래의 시계열을 나눕니다. 다운 샘플링은 로우 패스 필터와 비슷합니다 척도에 의해 샘플링 주파수를 분할 할 신호가 로우 패스 특정 척도에 대해 필터링되는 주파수를 대략. 파에 MSE의 응용ticular 주파수 범위는 (예를 들어, 알파 : 10 Hz에서 12 Hz에서) 그 범위 내에서 리듬의 구성뿐만 아니라 그 주파수 사이의 상호 작용을 나타내는 것으로 해석 할 수있다.
  7. 둘째, 알고리즘은 각 대단위 시간 시리즈 14 샘플 엔트로피를 계산합니다. 샘플 엔트로피는 시간 시리즈의 복잡성을 추정하고있다. 뇌파의 비선형 해석, 하나는 개별 시계열 기본 다차원 비선형 동적 모델 (검토를 위해 스탐, 2005 참조)의 형상을 나타내는 것으로 가정합니다. 이 예에서, M은 (패턴 길이)마다 시리즈의 진폭 패턴의 변화가 두 대 세 개의 연속적인 시퀀스 패턴을 고려하여 두 가지 차원 대 3 차원 공간에 표현되는 것을 의미 두 가지로 설정 데이터 포인트 각각. 매개 변수 R은 (유사성 기준), 데이터를 가리키는에서 진폭 범위 (컬러 밴드의 높이로 표시) 반영다시 "일치"로 간주. 매개 변수를 선택하는 방법에 대한 자세한 절차는 호수를 참조하십시오, 100 개 이상의 데이터 포인트와 일반적인 EEG 시간 시리즈, 0.5 및 1 (리치맨과 무어 만, 2000을 참조 사이의 값과 동일 2에 해당 매개 변수 m와 매개 변수 R로 설정 등., 2002).
    이 시뮬레이션 시간 시리즈 샘플 엔트로피를 계산하려면 처음 두 구성 요소 시퀀스 패턴, 레드 오렌지로 시작합니다. 첫째, 레드 오렌지 시퀀스 패턴은 시계열 발생 횟수를 계산,이 두 가지 구성 요소 시퀀스 10 경기가 있습니다. 둘째, 시간 처음 세 구성 요소의 시퀀스 패턴의 수를 계산, 빨강, 오렌지, 노랑, 시계열에서 발생하는,이 세 가지 구성 요소 시퀀스 5 경기가 있습니다. 다음 두 구성 요소 순서 (주황색)에 대해 동일한 작업과 시간이 시리즈의 다음 세 가지 구성 요소 순서 (오렌지, 노랑, 녹색)를 계속합니다. 이러한 순차적으로 두 개의 구성 요소와 일치 (5) 세 구성 요소 경기 (3)의 수CES는 이전 값 (; 총 세 가지 구성 요소 경기 = 총 8 개의 구성 요소가 일치 = 15)에 추가됩니다. 세 가지 구성 요소가 일치하는 두 개의 구성 요소 일치의 전체 비율을 결정하기 위해 - 시간 시리즈의 다른 모든 시퀀스 일치 (m 최대 N까지)에 대해이 단계를 반복합니다. 샘플 엔트로피는이 비율의 자연 로그입니다. 각 과목은 각 척도에 대한 하나의 시험 엔트로피 측정을 통해 평균으로 채널 별 MSE 추정치를 계산한다.

Representative Results

그림 1A와 2A는 얼굴 이미지의 프레 젠 테이션에 대한 응답으로 EEG 신호를 나타냅니다. 시험 등을 통해 평균화 ERP 구성 요소라는 긍정적이고 부정적인 편향의 시리즈로 구성되어 ERP 파형을 생성합니다. 그림 1B는 6A 피사체의 그룹 그랜드 평균 파형을 보여주는 하나의 제목과 그림에 대한 평균 파형을 보여줍니다. 특정 지각, 운동, 또는인지 적 작업에 각 ERP 구성 요소의 관계를 풍부한 문헌이있다. 예를 들어, N170는 약 170 밀리 초 후 자극 발병 봉우리와는 얼굴을 처리 8,15에 연루되는 음의 변형이다.

그림 2B 구성 요소 주파수 대역에 동일한 EEG 신호의 분해를 보여줍니다. 분광 분석의 결과는 그것에 의하여 신호의 주파수 성분 (그림 2C)를 공개특정 주파수에서의 전력 증가는 EEG 신호 내에서 리듬의 존재 증가를 반영합니다.

분광 마찬가지로, MSE는 신호에 기여하는 진동 성분의 복잡성에 민감합니다. 그러나 분광 달리, MSE는 주파수 성분 (즉, 비선형 동역학 18) 사이의 상호 작용에 민감합니다. EEG 신호의 복잡성은 여러 척도 (그림 4)을 통해 샘플 엔트로피 (그림 5)의 함수로 표현된다. 그림 3에 도시 된 바와 같이, 샘플 엔트로피 신호 무작위성의 정도 정기적 인 신호 증가하게 낮습니다. 임의성의 학위를 증가시키는 기존의 엔트로피 방법과는 달리, 멀티 스케일 엔트로피는 여러 척도를 통해 엔트로피를 고려하여 백색 잡음에서 복잡한 신호를 구별 할 수 있습니다. 예를 들어, 코스타 등., 2005 멀티 스케일 엔트로피 값 F 비교상관 관계 (핑크) 잡음 대 또는 비 상관 (흰색) 소음. 샘플 엔트로피 잘 척도에서 핑크 노이즈보다 백색 잡음에 대한 더 동안, 반대는 거친 척도 5-20에서 관찰되었다. 즉, 엔트로피가 여러 척도에 걸쳐 고려했을 때, 신호의 진정한 복잡성을 더 정확하게 단 하나의 척도로 간주 된 경우 것보다 표현되었다. 특정 대조의 시간적 역학 따라 조건 효과 표현 될 수있다 : 어떤 척도의 모든 척도, 2)에 걸쳐 같은 방법으로 1)하지만 다른하지 않거나 3) 크로스 오버 효과로 그것에 대비에 다른 좋은 대 조악한 척도.

그림 6은 ERP의 조건의 차이 (그림 6A), 분광 (그림 6B), 얼굴 사진 9의 초기 대 반복 프리젠 테이션을 대조 MSE (그림 6C)를 보여줍니다. 이 예에서는 모든 조치를 공개하는 통합같은 효과는, 그것은 결과의 해석을 제한 그러나 얼굴 반복을 함께 샘플 엔트로피 관찰 감소가 중요합니다. 복잡성의 감소는 기본 기능 네트워크가 간단하고 적은 정보를 처리 할 수​​ 있음을 시사한다.

그림 7은 ERP, 스펙트럼 전력 및 MSE에 적용되는 부분 최소 제곱 (11)의 다변량 분석에서 통계 결과를 보여줍니다. 실험은 다른 얼굴 (Heisz 외., 2012)과 관련된 친숙 조작. 대비 (막대 그래프)는 ERP 진폭이 익숙한 얼굴에서하지만 사전에 노출의 양에 변화 익숙한 얼굴들 새 얼굴을 구별 보여줍니다. 구별 스펙트럼 파워 인수 친숙에 따라 직면하지만, 정확하게, 중간 및 낮은 친숙의 얼굴을 구분하지 않았다. MSE는 샘플 엔트로피 값 increas의 조건의 차이에 가장 민감한증가 얼굴이 익숙 ED. 이미지 플롯은 모든 전극과 시간 / 주파수 / 시간 척도에 걸쳐 상태 효과의 시공간적 분포를 캡처합니다. 이 예에서는 MSE에 의한 뇌파의 분석 ERP 또는 분광의 전통적인 방법을 사용하여 얻은되지 않은 고유 한 정보를 생성하는 상황을 보여줍니다. MSE의이 차이는 조건이 가능한 다양한 주파수 구성 요소 간의 상호 작용을 포함, 자신의 네트워크 역학의 비선형 측면에 대해 다르​​다는 것을 시사한다.

그림 1
그림 1.) 각 시험에 대한 기준선에서 진폭 변위의 함수로 하나의 주제의 EEG 반응은 재판의 시작에서 시간이 역모를 꾸몄다. 각 시험은 얼굴 이미지의 사진의 프레 젠 테이션의 구성. 긍정적 인 진폭 변형이에 그려져있다빨간색, 음수 진폭 변형이 파란색으로 그려져있다. 모든 실험은 이벤트 관련 구성 요소라고 명명 된 별개의 긍정적이고 부정적인 편향과 평균 ERP 파형을 생성 그림 1A에 표시 할 모든 시련에 걸쳐 평균화) 이벤트 관련 위상 고정 활동. B를 나타내는 100 밀리와 250 밀리의 주위에 긍정적 인 편향을 보여 표준 명명법에 따라. 예를 들어, P1은 첫 번째 긍정적가는 구성 요소이며, N170는 제외 구성 요소입니다 약 170 밀리 초 후 자극 발병 봉우리.에게

그림 2
그림 2. 시간 (데이터 포인트, 속도 512 Hz에서 샘플링). B) 델타의 주파수 대역을 분리하는 필터링 그림 2A의 대역의 뇌파 반응에 의해 진폭을하려 하나의 시험을위한 단일 주제의) EEG 응답EEG 반응 (0-4 Hz에서), 세타 (5-8 Hz에서), 알파 (9-12 Hz에서), 베타 (13-30 Hz에서), 감마 (> 30 Hz에서). C) 스펙트럼 전력 밀도는 그림에 묘사 된 주파수에 의하여 힘의 함수로 신호의 주파수 성분을 나타내는 2A. 특정 주파수에서 스펙트럼 전력의 증가는 특정 주파수 대역 내에서 혼입 동시에 활성 뉴런의 수의 증가를 반영합니다. 큰 그림을 보려면 여기를 클릭하십시오 .

그림 3
그림 3) 두 개의 시뮬레이션 파형 :.. 보라색에서 묘사 된 일반 또는 예측 파형과 검은 색으로 묘사 더 확률 파형 B) 처음 세 척도의 두 가지 시뮬레이션 파형의 샘플 엔트로피 값을 입력합니다. 샘플 ENTR제발요 더 확률 신호보다 높게 예측 신호 낮습니다. 큰 그림을 보려면 여기를 클릭하십시오 .

그림 4
그림 4. 다운 샘플링 원래의 시계열 변화 척도의 다중 시계열을 생성합니다. 시간 단위 1 원래의 시계열이다. 척도 2 시간 시리즈에 원래의 시계열을 나누어 만든 겹치지 길이 2 각 창 내의 평균 데이터 포인트의 창을. 후속 척도의 시계열을 생성하는 척도 길이와 평균의 비 중첩 창 각 창 내의 데이터 포인트에 원래의 시계열을 나눕니다.

그림 5
그림 5. 각 사각형은 시간 시리즈. 샘플 엔트로피 하나의 데이터 포인트를 나타내는 시뮬레이션 파형은 시계열의 변동성을 추정한다. 이 예에서, M은 (패턴 길이)마다 시리즈의 진폭 패턴의 편차가 두 대 세 개의 연속적인 시퀀스 패턴을 고려하여 두 가지 차원 대 3 차원 공간에 표현되는 것을 의미 두 가지로 설정 데이터 포인트 각각, R은 (유사성 기준), 데이터 포인트가 "일치"로 간주되는 내 진폭 범위 (컬러 밴드의 높이로 표시) 반영합니다. 이 시뮬레이션 시간 시리즈 샘플 엔트로피를 계산하려면 처음 두 구성 요소 시퀀스 패턴, 레드 오렌지로 시작합니다. 첫째, 레드 오렌지 시퀀스 패턴은 시계열 발생 횟수를 계산,이 두 가지 구성 요소 시퀀스 10 경기가 있습니다. 둘째, 시간 처음 세 구성 요소의 시퀀스 패턴, 빨강, 오렌지 고함에게의 수를 계산아야는 시계열에서 발생하는,이 세 가지 구성 요소 시퀀스 5 경기가 있습니다. 다음 두 구성 요소 순서 (주황색)이 방식으로 계속 세 가지 구성 요소 순서 (오렌지 - 노란색 - 녹색). 이 시퀀스 두 가지 구성 요소와 일치 (5) 세 구성 요소 경기 (3)의 수는 이전 값 (; 총 세 가지 구성 요소 경기 = 총 8 개의 구성 요소 일치 = 15)에 추가됩니다. 세 가지 구성 요소가 일치하는 두 개의 구성 요소 일치의 전체 비율을 결정하기 위해 - 시간 시리즈의 다른 모든 시퀀스 일치 (m 최대 N까지)에 대해이 단계를 반복합니다. 샘플 엔트로피는이 비율의 자연 로그입니다. 각 과목은 각 척도에 대한 하나의 시험 엔트로피 측정을 통해 평균으로 채널 별 MSE 추정치를 계산한다.

그림 6
ERP의 그림 6. 조건의 차이 (A), 분광 (B),MSE는 (C) 얼굴 사진을 처음 대 반복 프레젠테이션을 대비하여. 큰 그림을 보려면 여기를 클릭하십시오 .

그림 7
그림 7. ERP, 스펙트럼 전력 및 멀티 스케일 엔트로피의 측정을 통해 배운 얼굴에 EEG 반응을 대조. 막대 그래프는 묘사 부분 최소 제곱 분석 (11)에 의해 결정된 조건 사이의 대비. 이미지 플롯은 부트 스트랩에 의해 결정이 대비가 가장 안정되는 공간적 시간적 분포를 강조 표시합니다. 값은 ~ Z 점수를 나타내며 음수 값은 역 조건 효과에 대한 의미를 나타냅니다. 큰 그림을 보려면 여기를 클릭하십시오 .

Discussion

본 문서의 목표는 뇌파 신경 영상 데이터에 적용되는 멀티 스케일 엔트로피의 개념 및 방법 론적 설명 (MSE)를 제공하는 것이 었습니다. EEG는 높은 시간적 해상도와 신경 네트워크 활동을 측정하는 강력한 비 침습적 신경 영상 기술입니다. EEG 신호는 공동 대응 다양한 흥분성과 억제 재 연결에 의해 수정 된 피질의 피라미드 세포의 인구의 시냅스 활동을 반영합니다. 따라서, EEG 데이터를 분석하고 각 메소드가 데이터의 고유 한 부분을 추출하기 위해 여러 가지 방법이 있습니다.

이벤트 관련 전위 (ERP) 분석 및 분광 분석 : 우리는 분석의 일반적인 두 가지 방법을 논의했다. ERP 분석은 이산 사건의 시작에 위상 잠금 상태 EEG 신호 동기의 연결 활동을 캡처합니다. ERPs는 사양을 검사이 통계 이상적 특정 지각, 운동, 또는인지 적 작업을 반영IFIC 처리 단계. 분광 분석은 뇌파 신호에 특정 주파수의 상대적 기여도를 정량화. 다양한 흥분성과 억제 피드백 루프를 끌고에 특정 주파수 1,3에서 신경 세포 집단의 활동을 상호 작용합니다. 서로 다른 뇌 영역 사이의 이러한 공시성 (synchrony)는 광범위한 신경 네트워크를 통한 정보의 결합을 촉진하는 것으로 생각됩니다. 특정 주파수 범위 내 힘과 기능 3의 특정 감정이나인지 적 상태 사이의 연결을 지원하는 풍부한 문헌이있다.

EEG 분석 할 때 그것은 신경 네트워크 비선형 역학 복잡한 시스템입니다 것을 명심하는 것이 중요하다. 이러한 복잡성은 의미가 배경 소음의 결과가 아닌 불규칙한 진동으로 EEG 신호에 반영됩니다. 동기 진동 활동과 같은 다양한 흥분성과 억제 재진입 루프 사이의 상호 작용은 일시적 독감의 원인시간 이상 6 뇌 신호 ctuations. 이러한 과도 전류는 기본 네트워크의 자유 나 복잡성의 정도를 추정하는 데 사용할 수있는 네트워크 microstates 사이의 전환이나 끝점과 융기를 반영하기 위해 생각됩니다 시간이 지남에 따라 신호의 진폭 패턴 큰 변화는보다 복잡한 시스템 5 나타내는 것입니다. MSE는 반면, 비판적, ERP 또는 분광 분석은 이러한 불규칙한 활동으로 구분하지 않습니다. 또한, 네트워크 복잡성의 인덱스는 단순히 뇌 영역 사이의 과도 및 동적 재발 상호 작용에 장님 같은 방법으로 활성화 뇌 영역의 수입니다 계산하여 얻을 수 없습니다.

분석을 신경 영상에 대한 보완 방법은 기본 신경 활동의 완전한 그림을 만드는 결합. 이러한 ERP 및 분광과 같은 신경 영상 데이터의 전통적인 응용 프로그램에서 결과의 해석은 MS와 같은 복잡성의 측정에 의해 보강된다E, MSE는 특정인지 적 작업에 기여하는 여러 척도를 통해 뇌 활동의 시공간적 패턴의 변화의 순서를 캡처하는 방법을 제공합니다. 신규 및 기존 데이터 세트에 MSE를 적용하면 인식 신경망 역학에서 나온다 방법에 대한 자세한 통찰력을 제공 할 수 있습니다.

Disclosures

관심 없음 충돌 선언하지 않습니다.

Materials

Name Company Catalog Number Comments
EEG BioSemi

DOWNLOAD MATERIALS LIST

References

  1. Bressler, S. L. Event-related potentials. The Handbook of Brain Theory and Neural Networks. Arbib, M. A. MIT Press. Cambridge, MA. 412-415 (2002).
  2. Bressler, S. L., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. Springer Handbook on Brain Connectivity. Jirsa, V. K., McIntosh, A. R. Springer. New York. 403-419 (2007).
  3. Buzsaki, G. Rhythms of the brain. Oxford University Press. (2006).
  4. Costa, M., Goldberger, A., Peng, C. Multiscale entropy analysis of biological signals. Phys. Rev. E. 712, 1-18 (2005).
  5. Deco, G., Jirsa, V., McIntosh, A. R. Emerging concepts for the dynamical organization of resting-state activity in the brain. Nat. Rev. Neurosci. 12, 43-56 (2011).
  6. Friston, K. J. The labile brain. I. Neuronal transients and nonlinear coupling. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).
  7. Gatlin, L. Information Theory and the Living System. Columbia University Press. New York. (1972).
  8. Heisz, J. J., Shedden, J. M. Semantic learning modifies perceptual face processing. Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).
  9. Heisz, J. J., Shedden, J. M., McIntosh, A. R. Relating brain signal variability to knowledge representation. NeuroImage. 63, 1384-13 (2012).
  10. Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. Sample entropy analysis of neonatal heart rate variability. Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).
  11. Lobaugh, N. J., West, R., McIntosh, A. R. Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares. Psychophysio. 38, 517-530 (2001).
  12. McIntosh, A. R., Kovacevic, N., Itier, R. J. Increased brain signal variability accompanies behavioral variability in development. PLoS Computational Biology. 4, 7 (2008).
  13. Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria. Psychophysiology. 37, 127-152 (2000).
  14. Richman, J. S., Moorman, J. R. Physiological time series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).
  15. Rossion, B., Jacques, C. Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170. NeuroImage. 39, 1959-1979 (2008).
  16. Shannon, C. E. A Mathematical Theory of Communication. The Bell System Technical Journal. 27, 379-423 (1948).
  17. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 116, 2266-2301 (2005).
  18. Vakorin, V. A., McIntosh, A. R. Mapping the multi-scale information content of complex brain signals. Principles of Brain Dynamics: Global State Interactions. Rabinovich, M. I., Friston, K. J., Varona, P. The MIT Press. (2012).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Video Stats