घटना से संबंधित क्षमता, स्पेक्ट्रल पावर, और Multiscale एन्ट्रॉपी: ईईजी न्यूरोइमेजिंग डेटा के आवेदन

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

Summary

न्यूरोइमेजिंग शोधकर्ताओं आम तौर पर दोहराया प्रयोगात्मक परीक्षण के पार मतलब गतिविधि के रूप में मस्तिष्क की प्रतिक्रिया पर विचार करें और "शोर" के रूप में समय के साथ संकेत परिवर्तनशीलता उपेक्षा. हालांकि, यह है कि शोर में संकेत है कि वहाँ स्पष्ट होता जा रहा है. इस लेख के समय क्षेत्र में मस्तिष्क संकेत परिवर्तनशीलता बढ़ाता के लिए multiscale एन्ट्रापी के उपन्यास विधि का वर्णन करता है.

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

मानव न्यूरोइमेजिंग डेटा पर विचार करते हैं, तो संकेत परिवर्तनशीलता के एक प्रशंसा हम मस्तिष्क संकेत के बारे में सोचने के तरीके में एक मौलिक नवाचार का प्रतिनिधित्व करता है. आमतौर पर, शोधकर्ताओं ने दोहराया प्रयोगात्मक परीक्षण के पार मतलब के रूप में मस्तिष्क की प्रतिक्रिया का प्रतिनिधित्व करते हैं और "शोर" के रूप में समय के साथ संकेत उतार चढ़ाव उपेक्षा. हालांकि, यह मस्तिष्क संकेत परिवर्तनशीलता तंत्रिका नेटवर्क गतिशीलता के बारे में सार्थक कार्यात्मक जानकारी बता देते हैं कि स्पष्ट होता जा रहा है. इस अनुच्छेद के मस्तिष्क संकेत परिवर्तनशीलता बढ़ाता के लिए multiscale एन्ट्रापी (एमएसई) के उपन्यास विधि का वर्णन करता है. यह timescale निर्भरता और डेटा में रैखिक और nonlinear गतिशीलता के प्रति संवेदनशीलता दिखाता है क्योंकि एमएसई तंत्रिका नेटवर्क गतिशीलता का विशेष रूप से जानकारीपूर्ण किया जा सकता है.

Introduction

न्यूरोइमेजिंग हाल के अग्रिमों में नाटकीय रूप से मस्तिष्क समारोह के बारे में हमारी समझ को बढ़ाया है. हालांकि, न्यूरोइमेजिंग डेटा के आवेदनों में से कई वे वास्तविक समय में प्रकट रूप में संज्ञानात्मक संचालन पर बल से स्थिर राज्यों में बल्कि मस्तिष्क के दृश्य को सुदृढ़ करने के लिए करते हैं. नतीजतन, छोटे दिमाग के नेटवर्क के समय अंतरिक्ष की संरचना के बारे में और कैसे एकाधिक timescales के पार spatiotemporal पैटर्न में परिवर्तन के अनुक्रम एक विशिष्ट संज्ञानात्मक आपरेशन के लिए योगदान जाना जाता है. वर्तमान लेख multiscale एन्ट्रापी (एमएसई) 5, एकाधिक timescales के पार एक कार्यात्मक मस्तिष्क नेटवर्क संवाद में कैसे अलग तंत्रिका जनरेटर के बारे में जानकारी उपलब्ध कराने के द्वारा विशिष्ट अनुभूति आपरेशन अंतर्निहित spatiotemporal पैटर्न की जटिलता की जांच करती है कि डेटा न्यूरोइमेजिंग के लिए एक नई विश्लेषणात्मक उपकरण का वर्णन करता है.

सूचना सिद्धांत से व्युत्पन्न, गणित 7,16 के एक आवेदन शाखा, एमएसई मूल थाइलेक्ट्रोकार्डियोग्राम 4 की जटिलता की जांच के लिए बनाया गया है ly. सिद्धांत रूप में, एमएसई किसी भी समय श्रृंखला की जटिलता का विश्लेषण करने के लिए इस्तेमाल किया जा सकता है, प्राथमिक अपेक्षित संकेत समय श्रृंखला निरंतर समय की कम से कम 50 डेटा बिंदु शामिल हैं. हालांकि, timescale निर्भरता और डेटा में रैखिक और nonlinear गतिशीलता के प्रति संवेदनशीलता तंत्रिका नेटवर्क गतिशीलता का विशेष रूप से जानकारीपूर्ण MSE कर सकते हैं.

यहाँ, हम डेटा 9,12 न्यूरोइमेजिंग विद्युतमस्तिष्कलेख (ईईजी) को एमएसई के आवेदन पर ध्यान केंद्रित. ईईजी सिर पर रखा जाता है कि इलेक्ट्रोड neocortex 1 में न्यूरॉन्स की आबादी के postsynaptic प्रतिक्रियाओं पर कब्जा जिससे एक noninvasive न्यूरोइमेजिंग तकनीक है. उच्च अस्थायी समाधान के साथ, ईईजी आसानी ठेठ अधिग्रहण प्रोटोकॉल बदलने के बिना एमएसई की अपेक्षित समय श्रृंखला लंबाई से मिलता है. ईईजी डेटा को एमएसई के आवेदन की उपयोगिता पर जोर देना है, हम और अधिक परंपरागत दृष्टिकोण भंडार के साथ इस उपन्यास विधि की तुलनाघटना से संबंधित संभावित और वर्णक्रमीय शक्ति uding. एक साथ इस्तेमाल किया, विश्लेषण के इन पूरक तरीकों अनुभूति को जन्म दे कि तंत्रिका नेटवर्क के संचालन में और अधिक जानकारी के लिए नेतृत्व कर सकते हैं कि डेटा की एक अधिक पूर्ण विवरण प्रदान करते हैं.

Protocol

1. ईईजी अधिग्रहण

  1. भाग लेने के लिए प्रयोगात्मक प्रक्रियाओं के बारे में बताएं और सूचित सहमति प्राप्त करते हैं.
  2. इलेक्ट्रोड ड्रॉप डाउन लागू करें. स्वच्छ लटकती इलेक्ट्रोड एक शराब झाड़ू का उपयोग कर स्थित हो जाएगा जहां चेहरे पर क्षेत्र.
  3. भागीदार के सिर पर इलेक्ट्रोड टोपी रखें. प्रतिभागी का सिर परिधि को मापने और उचित टोपी आकार का चयन करें. इलेक्ट्रोड नियुक्ति के लिए अंतरराष्ट्रीय स्तर पर मान्यता 10-20 प्रणाली के बाद, midline साथ nasion से inion की दूरी मापने के लिए और 10% से विभाजित. उस नंबर का उपयोग करना, nasion और निशान से ऊपर उपाय. इस चिह्न के साथ इलेक्ट्रोड टोपी स्थिति एफ पी संरेखित और टोपी वापस खींच. टोपी के केंद्र नाक के साथ कतार में है कि सुनिश्चित करें. Cz को nasion उपाय, और इस दूरी nasion से inion को आधी दूरी है की पुष्टि करें. Chinstrap कसो.
  4. जगह इलेक्ट्रोड धारकों में कुंद बिंदु सिरिंज जेल से भरे. जेल के एक प्रवाहकीय स्तंभ बनाने के लिए, के साथ संपर्क में शुरूखोपड़ी, फिर निचोड़ और वापस खींच. बहुत ज्यादा जेल के आवेदन पड़ोसी इलेक्ट्रोड के संकेत पाटने सकता है कि ध्यान दें.
  5. इलेक्ट्रोड धारकों में सक्रिय इलेक्ट्रोड को ठीक करें.
  6. प्रयोग के लिए उपयुक्त दूरी पर नजर रखने के सामने इस विषय स्थिति. एक साफ रिकॉर्डिंग के लिए आँख आंदोलनों और झपकाए को कम करने के महत्व पर बल अभी भी रहने के लिए भागीदार पूछो.
  7. अधिग्रहण कंप्यूटर पर इलेक्ट्रोड कनेक्शन और ईईजी संकेत गुणवत्ता की जांच करना. सभी इलेक्ट्रोड ऑफसेट कम (<40 एम वी) और स्थिर रहे हैं की जाँच करें. एक विशेष इलेक्ट्रोड के साथ कोई समस्या है, तो उस इलेक्ट्रोड बाहर ले और उस स्थल पर impedances समायोजित करने के लिए जेल पुन: लागू.
  8. फ़ाइल सहेजें और प्रयोग शुरू करते हैं.

2. ईईजी विश्लेषण

  1. प्रयोग के बाद, लेकिन ब्याज की विशेष आंकड़े निकालने से पहले, preprocess निरंतर ईईजी डेटा एक छानने की मानक प्रक्रियाओं का उपयोग कलाकृतियों को दूर करने के लिएएन डी विरूपण साक्ष्य अस्वीकृति. ऐसी तस्वीर की प्रस्तुति के रूप में प्रत्येक असतत घटना को इसी युगों में निरंतर ईईजी काटें. हर युग में, एक आधार रेखा के रूप में एक 100 मिसे पूर्व प्रोत्साहन खिड़की शामिल हैं.
  2. घटना से संबंधित क्षमता (ईआरपी) विश्लेषण घटना की शुरुआत के लिए चरण बंद है कि तुल्यकालिक मस्तिष्क गतिविधि कब्जा. पृष्ठभूमि गतिविधि (यानी गैर चरण बंद) "शोर" से पैदा प्रतिक्रियाओं अलग करने के लिए परीक्षण के पार औसत. परीक्षण के पार और विषयों के बीच परिवर्तनशीलता विश्लेषण की ईआरपी विधि के लिए एक बड़ी चुनौती प्रस्तुत करता है. एक अच्छा संकेत करने वाली शोर अनुपात को प्राप्त करने के लिए प्रयोगात्मक प्रोटोकॉल परिभाष्य onsets साथ कई असतत घटनाओं में शामिल होना चाहिए. एक प्रमुख घटना की शुरुआत करने के लिए मस्तिष्क की प्रतिक्रिया को ताला लगा है और उसके बाद की घटनाओं की तरह कई अधिक औसत समय इस शोर से कुछ को कम करने में मदद करता है, लेकिन इस प्रक्रिया के द्वारा बनाई गई अस्थायी synchrony आम तौर पर 1 सेकंड के भीतर हो जाती है. प्रत्येक उप लिए ईआरपी घटक शिखर आयाम और सुप्तावस्था पहचानेंपरियोजना (ईआरपी विश्लेषण पर अधिक विस्तृत दिशा निर्देश के लिए, Picton एट अल देखें., 2000).
  3. फूरियर विश्लेषण का प्रयोग, आवृत्ति डोमेन के लिए समय डोमेन से ईईजी संकेत बदलने और आवृत्तियों 6 अलग से अपनी समग्र साइन लहरों में संकेत विघटित.
  4. Multiscale एन्ट्रापी (एमएसई) समय के साथ और कई timescales के पार neuroelectical संकेतों की परिवर्तनशीलता का अनुमान है कि एक सूचना रिप्ले मीट्रिक है. एमएसई विश्लेषण की एक वैचारिक चित्रण प्रदान करने के लिए, दो नकली तरंग, एक नियमित तरंग और एक अधिक स्टोकेस्टिक एक मानते हैं. नमूना एन्ट्रापी मूल्यों नियमित तरंग के लिए शून्य के पास हैं और अधिक चर तरंग के लिए 2.5 ~. नमूना एन्ट्रापी में वृद्धि की सूचना सिद्धांत के अनुसार, अंतर्निहित प्रणाली 7,16 की सूचना संसाधन क्षमता की राशि में वृद्धि के रूप में व्याख्या की जा सकती है, जो संकेत जटिलता में वृद्धि से मेल खाती है. एक मस्तिष्क की क्षमता तय नहीं है कि याद है लेकिन परिवर्तन depeतंत्रिका संदर्भ 2 पर nding, कार्यात्मक समय में एक खास बिंदु पर जुड़े होने के लिए होता है कि मस्तिष्क क्षेत्रों अर्थात्.
  5. एमएसई की गणना करने के लिए, पर उपलब्ध कलन विधि का उपयोग www.physionet.org/physiotools/mse/ दो चरणों में एमएसई गणना करता है.
  6. सबसे पहले, एल्गोरिथ्म उत्तरोत्तर नीचे नमूने परीक्षण प्रति और हालत प्रति ईईजी समय श्रृंखला. नीचे नमूना मूल समय श्रृंखला अलग timescales के कई समय श्रृंखला उत्पन्न करने के लिए. समय श्रृंखला 1 मूल समय श्रृंखला है. बाद में timescales के समय श्रृंखला बनाने के लिए, timescale लंबाई और औसत की गैर रखे विंडो में एक खिड़की के भीतर डेटा के अंक में मूल समय श्रृंखला विभाजित. नीचे नमूना कम पास छानने के समान है, timescale के द्वारा नमूना आवृत्ति विभाजित होगा संकेत कम से पारित उस विशेष timescale के लिए फ़िल्टर है आवृत्ति, जिस पर अनुमानित. एक बराबर करने के लिए एमएसई के आवेदनticular आवृत्ति रेंज (जैसे, अल्फा: 9 हर्ट्ज से 12 हर्ट्ज) कि सीमा के भीतर लय की रचना के साथ ही उन आवृत्तियों के बीच बातचीत का प्रतिनिधित्व के रूप में व्याख्या की जा सकती है.
  7. दूसरा, एल्गोरिथ्म प्रत्येक भोंडा समय श्रृंखला 14 के लिए नमूना एन्ट्रापी खरीदते हैं. नमूना एन्ट्रापी एक समय श्रृंखला की जटिलता का अनुमान है. ईईजी की एक nonlinear विश्लेषण में, एक एक व्यक्ति समय की श्रृंखला एक अंतर्निहित बहुआयामी गैर रेखीय गतिशील मॉडल (एक समीक्षा के लिए स्टेम, 2005 देखें) की अभिव्यक्ति का प्रतिनिधित्व करने वाला मानता है. इस उदाहरण में, मीटर (पैटर्न लंबाई) हर बार श्रृंखला के आयाम पैटर्न की परिवर्तनशीलता दो बनाम लगातार तीन के अनुक्रम पैटर्न पर विचार करके दो आयामी बनाम तीन आयामी अंतरिक्ष में प्रतिनिधित्व किया जाएगा जिसका मतलब है कि दो, पर सेट है डेटा अंक, क्रमशः. पैरामीटर आर (समानता कसौटी), डेटा एक अंक के भीतर जो आयाम श्रेणी (रंग का बैंड की ऊंचाई से चिह्नित) को दर्शाता हैफिर "मैच" माना जाता. मापदंडों के चयन पर एक विस्तृत प्रक्रिया के लिए झील को देखें, 100 से अधिक डेटा अंक के साथ एक ठेठ ईईजी समय श्रृंखला के लिए, 0.5 और 1 (रिचमैन और दलदली भूमि का निवासी, 2000 को देखने के बीच एक मूल्य के बराबर 2 के बराबर पैरामीटर मी और पैरामीटर आर सेट एट अल., 2002).
    इस नकली समय श्रृंखला के लिए नमूना एन्ट्रापी की गणना करने के लिए, पहले दो घटक अनुक्रम पैटर्न, लाल, नारंगी के साथ शुरू करते हैं. सबसे पहले, लाल, नारंगी अनुक्रम पैटर्न समय श्रृंखला में होता है बार की संख्या गिनती, यह दो घटक दृश्य के लिए 10 मैचों हैं. दूसरा, कई बार पहले तीन घटक अनुक्रम पैटर्न की संख्या गिनती, लाल, नारंगी, पीला, समय श्रृंखला में होता है, इस तीन घटक दृश्य के लिए 5 मैचों हैं. अगले दो घटक अनुक्रम (नारंगी पीला) के लिए एक ही आपरेशन और समय श्रृंखला के अगले तीन घटक अनुक्रम (नारंगी पीले, हरे) के साथ जारी रखें. इन sequen के लिए दो घटक मैचों (5) और तीन घटक मैचों (3) की संख्याCES पिछले मूल्यों (; कुल तीन घटक मैचों = 8 कुल दो घटक मैचों = 15) को जोड़ रहे हैं. तीन घटक मैचों के लिए दो घटक मैचों के कुल अनुपात निर्धारित करने के लिए - समय श्रृंखला में अन्य सभी अनुक्रम मैचों (मीटर ऊपर एन) के लिए दोहराएँ. नमूना एन्ट्रापी इस अनुपात का प्राकृतिक लघुगणक है. प्रत्येक विषय के लिए, प्रत्येक timescale के लिए एक परीक्षण एन्ट्रापी उपायों भर में मतलब के रूप में चैनल विशिष्ट एमएसई अनुमान गणना.

Representative Results

आंकड़े 1A और 2A एक चेहरा छवि की प्रस्तुति के जवाब में ईईजी संकेत का प्रतिनिधित्व करते हैं. परीक्षणों की तरह भर में औसतन ईआरपी घटकों बुलाया सकारात्मक और नकारात्मक deflections की एक श्रृंखला के होते हैं कि एक ईआरपी तरंग पैदा करता है. चित्रा 1 बी 6A विषयों के एक समूह के लिए एक भव्य औसत तरंग दिखाता एक ही विषय और चित्रा के लिए एक औसत तरंग दिखाता है. एक विशिष्ट अवधारणात्मक, मोटर, या संज्ञानात्मक आपरेशन करने के लिए प्रत्येक ईआरपी घटक संबंधित है कि एक समृद्ध साहित्य है. उदाहरण के लिए, N170 लगभग 170 मिसे के बाद प्रोत्साहन शुरुआत में चोटियों और चेहरा प्रसंस्करण 8,15 में फंसा है कि एक नकारात्मक विक्षेपन है.

चित्रा 2B घटक आवृत्ति बैंड में है कि एक ही ईईजी संकेत के अपघटन दिखाता है. वर्णक्रमीय शक्ति विश्लेषण से परिणाम, जिससे संकेत की आवृत्ति सामग्री (चित्रा -2) से पता चलता हैएक विशेष आवृत्ति में शक्ति में वृद्धि ईईजी संकेत भीतर उस लय की उपस्थिति में वृद्धि को दर्शाता है.

वर्णक्रमीय बिजली की तरह, एमएसई संकेत के लिए योगदान oscillatory घटकों की जटिलता के प्रति संवेदनशील है. हालांकि, वर्णक्रमीय सत्ता के विपरीत, एमएसई भी आवृत्ति घटकों (यानी nonlinear गतिशीलता 18) के बीच बातचीत के प्रति संवेदनशील है. एक ईईजी संकेत की जटिलता कई timescales (चित्रा 4) से अधिक नमूना एन्ट्रापी (चित्रा 5) के एक समारोह के रूप में प्रतिनिधित्व किया है. चित्रा 3 में सचित्र, नमूना एन्ट्रापी संकेत randomness की डिग्री के साथ नियमित रूप से संकेतों और बढ़ जाती है के लिए कम है. Randomness की डिग्री के साथ कि वृद्धि परंपरागत एन्ट्रापी उपायों के विपरीत, multiscale एन्ट्रापी एकाधिक timescales के पार एन्ट्रापी विचार करके सफेद शोर से जटिल संकेतों अंतर करने में सक्षम है. उदाहरण के लिए, कोस्टा एट अल., 2005 multiscale एन्ट्रापी मूल्यों च तुलनासहसंबद्ध (गुलाबी) शोर बनाम या uncorrelated (सफेद) शोर. नमूना एन्ट्रापी ठीक timescale पर गुलाबी शोर से सफेद शोर के लिए अधिक से अधिक था, जबकि विपरीत मोटे timescales के 5-20 में मनाया गया. दूसरे शब्दों में, एन्ट्रापी कई timescales भर में माना जाता था, जब संकेतों का सच जटिलता अधिक सही केवल एक ही timescale माना जाता था तो होगा से प्रतिनिधित्व किया था. एक विशिष्ट विपरीत की अस्थायी गतिशीलता के आधार पर, हालत प्रभाव व्यक्त किया जा सकता है: कुछ timescales पर सभी timescales, 2) भर में एक ही तरह से) 1 लेकिन अन्य नहीं, या 3) विदेशी प्रभाव के रूप में जिससे विपरीत पर अलग है ठीक बनाम मोटे timescales.

चित्रा 6 ईआरपी में हालत मतभेद (चित्रा 6A), वर्णक्रमीय शक्ति (चित्रा 6B), चेहरा फोटो 9 की प्रारंभिक बनाम दोहराने प्रस्तुतियों विषम एमएसई (चित्रा 6C) को दर्शाया गया है. इस उदाहरण में सभी उपायों को प्रकट करने के लिए जुटेएक ही प्रभाव है, यह परिणामों की व्याख्या constrains रूप तथापि, चेहरा पुनरावृत्ति के साथ जुडा हुआ है कि नमूना एन्ट्रापी में मनाया कमी महत्वपूर्ण है. जटिलता में कमी अंतर्निहित कार्यात्मक नेटवर्क सरल और कम जानकारी के प्रसंस्करण में सक्षम है कि पता चलता है.

7 चित्रा ईआरपी, वर्णक्रमीय शक्ति और एमएसई को लागू आंशिक कम से कम वर्ग 11 की बहुभिन्नरूपी विश्लेषण से सांख्यिकीय परिणामों को दर्शाया गया है. प्रयोग अलग चेहरे (Heisz एट अल., 2012) के साथ जुड़े परिचित चालाकी. इसके विपरीत (बार ग्राफ) कि ईआरपी आयाम परिचित चेहरे से नहीं बल्कि पहले जोखिम की राशि में विविध है कि परिचित चेहरों के बीच नए चेहरों प्रतिष्ठित पता चलता है. प्रतिष्ठित स्पेक्ट्रल सत्ता हासिल कर ली अपनेपन के अनुसार सामना कर रहा है, लेकिन सही मध्यम और कम परिचित के चेहरे के बीच भेद नहीं किया. एमएसई कि नमूना एन्ट्रापी मूल्यों को बढ़ाने में हालत मतभेद के सबसे संवेदनशील थाबढ़ती चेहरा परिचित के साथ एड. छवि भूखंडों सभी इलेक्ट्रोड और समय / आवृत्ति / timescale के पार हालत प्रभाव के spatiotemporal वितरण कब्जा. इस उदाहरण एमएसई से ईईजी का विश्लेषण ईआरपी या वर्णक्रमीय सत्ता के पारंपरिक तरीकों का उपयोग कर प्राप्त नहीं था कि अद्वितीय जानकारी का उत्पादन किया, जिसमें एक की स्थिति को दर्शाता है. एमएसई की इस विचलन की स्थिति संभवतः विभिन्न आवृत्ति घटकों के बीच बातचीत से जुड़े, उनके नेटवर्क गतिशीलता के nonlinear पहलुओं के संबंध में मतभेद है कि पता चलता है.

चित्रा 1
चित्रा 1. ए) प्रत्येक परीक्षण के लिए आधारभूत से आयाम विक्षेपन के एक समारोह के रूप में एक ही विषय के ईईजी प्रतिक्रियाओं का परीक्षण के शुरू होने से समय के खिलाफ साजिश रची है. प्रत्येक परीक्षण एक चेहरा छवि की एक तस्वीर की प्रस्तुति शामिल थे. सकारात्मक आयाम deflections में चित्रित कर रहे हैंलाल, नकारात्मक आयाम deflections को नीले रंग में चित्रित कर रहे हैं. सभी परीक्षणों घटना से संबंधित घटकों बुलाया और नाम अलग सकारात्मक और नकारात्मक deflections के साथ एक औसत ईआरपी तरंग पैदा करता चित्रा 1 ए में दर्शाया सभी परीक्षण के पार औसत) घटना से संबंधित चरण बंद गतिविधि. बी का संकेत, 100 मिसे और 250 मिसे के चारों ओर एक सकारात्मक विक्षेपन दिखाने एक मानक नामकरण के अनुसार. उदाहरण के लिए, P1 के पहले सकारात्मक जा घटक है, और N170 एक नकारात्मक घटक है कि लगभग 170 मिसे के बाद प्रोत्साहन शुरुआत में चोटियों.

चित्रा 2
चित्रा 2. समय (डेटा बिंदु में, दर 512 हर्ट्ज नमूना). बी) डेल्टा की आवृत्ति बैंड को अलग करने के लिए फ़िल्टर 2A चित्रा bandpass की ईईजी प्रतिक्रिया द्वारा आयाम की साजिश रचने के एक भी परीक्षण के लिए एक ही विषय का एक) ईईजी प्रतिक्रियाईईजी प्रतिक्रिया की (0-4 हर्ट्ज), थीटा (5-8 हर्ट्ज), अल्फा (9-12 हर्ट्ज), बीटा (13-30 हर्ट्ज) और गामा (> 30 हर्ट्ज). सी) वर्णक्रमीय शक्ति घनत्व चित्र में दिखाया गया आवृत्ति द्वारा बिजली के एक समारोह के रूप में संकेत की आवृत्ति संरचना का प्रतिनिधित्व 2A. एक विशेष आवृत्ति में वर्णक्रमीय शक्ति में वृद्धि हुई है कि विशेष आवृत्ति बैंड के भीतर entrained तुल्यकालिक सक्रिय न्यूरॉन्स की संख्या में वृद्धि को दर्शाता है. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 3
चित्रा 3 ए) के दो नकली waveforms:.. बैंगनी रंग में दिखाया गया है एक नियमित या उम्मीद के मुताबिक तरंग, और काले रंग में दिखाया गया है एक और अधिक स्टोकेस्टिक तरंग बी) के पहले तीन timescales के लिए दो नकली waveforms के नमूना एन्ट्रापी मूल्यों. नमूना entropy अधिक स्टोकेस्टिक संकेतों से अत्यधिक उम्मीद के मुताबिक संकेतों के लिए कम है. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

चित्रा 4
4 चित्रा. नीचे नमूना मूल समय श्रृंखला अलग timescales के कई समय श्रृंखला उत्पन्न करता है. Timescale 1 मूल समय श्रृंखला है. timescale, 2 की समय श्रृंखला में मूल समय श्रृंखला को विभाजित करके बनाया जाता है, गैर अतिव्यापी लंबाई 2 और एक खिड़की के भीतर औसत डेटा बिंदुओं की खिड़कियां. बाद में timescales के समय श्रृंखला उत्पन्न करने के लिए, timescale लंबाई और औसत की गैर रखे विंडो में एक खिड़की के भीतर डेटा के अंक में मूल समय श्रृंखला विभाजित.

चित्रा 5
चित्रा 5. प्रत्येक आयत समय श्रृंखला. नमूना एन्ट्रापी में एक एकल डेटा बिंदु का प्रतिनिधित्व करता है, जहां एक नकली तरंग एक समय श्रृंखला की परिवर्तनशीलता का अनुमान है. इस उदाहरण में, मीटर (पैटर्न लंबाई) हर बार श्रृंखला के आयाम पैटर्न के विचरण दो बनाम लगातार तीन के अनुक्रम पैटर्न पर विचार करके दो आयामी बनाम तीन आयामी अंतरिक्ष में प्रतिनिधित्व किया जाएगा जिसका मतलब है कि दो, पर सेट है डेटा अंक, क्रमशः, आर (समानता कसौटी), डेटा बिंदु "मैच" माना जाता है जो भीतर आयाम श्रेणी (रंग का बैंड की ऊंचाई से चिह्नित) को दर्शाता है. इस नकली समय श्रृंखला के लिए नमूना एन्ट्रापी की गणना करने के लिए, पहले दो घटक अनुक्रम पैटर्न, लाल, नारंगी के साथ शुरू करते हैं. सबसे पहले, लाल, नारंगी अनुक्रम पैटर्न समय श्रृंखला में होता है बार की संख्या गिनती, यह दो घटक दृश्य के लिए 10 मैचों हैं. दूसरा, कई बार पहले तीन घटक अनुक्रम पैटर्न, लाल, नारंगी चिल्लाना की संख्या गिनतीओउ, समय श्रृंखला में होता है, इस तीन घटक दृश्य के लिए 5 मैचों हैं. अगले दो घटक अनुक्रम (नारंगी पीला) के लिए इस तरह से जारी है और तीन घटक अनुक्रम (नारंगी पीले, हरे). इन दृश्यों के लिए दो घटक मैचों (5) और तीन घटक मैचों (3) की संख्या पिछले मूल्यों (; कुल तीन घटक मैचों = 8 कुल दो घटक मैचों = 15) को जोड़ रहे हैं. तीन घटक मैचों के लिए दो घटक मैचों के कुल अनुपात निर्धारित करने के लिए - समय श्रृंखला में अन्य सभी अनुक्रम मैचों (मीटर ऊपर एन) के लिए दोहराएँ. नमूना एन्ट्रापी इस अनुपात का प्राकृतिक लघुगणक है. प्रत्येक विषय के लिए, प्रत्येक timescale के लिए एक परीक्षण एन्ट्रापी उपायों भर में मतलब के रूप में चैनल विशिष्ट एमएसई अनुमान गणना.

चित्रा 6
ईआरपी में चित्रा 6. हालत मतभेद (ए), वर्णक्रमीय शक्ति (बी),एमएसई (सी) चेहरे तस्वीरों के प्रारंभिक बनाम दोहराया प्रस्तुतियों विषम. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

7 चित्रा
चित्रा 7. ईआरपी, वर्णक्रमीय शक्ति, और multiscale एन्ट्रापी के उपायों भर सीखा चेहरों को ईईजी प्रतिक्रिया विषम. बार रेखांकन को दर्शाती आंशिक कम से कम वर्ग विश्लेषण 11 द्वारा निर्धारित शर्तों के बीच इसके विपरीत. छवि साजिश bootstrapping द्वारा निर्धारित रूप में यह इसके विपरीत सबसे अधिक स्थिर था, जिस पर स्थानिक अस्थायी वितरण पर प्रकाश डाला गया. मान ~ z के स्कोर का प्रतिनिधित्व करते हैं और नकारात्मक मूल्यों उलटा हालत प्रभाव के महत्व को दर्शाते हैं. बड़ा आंकड़ा देखने के लिए यहां क्लिक करें .

Discussion

वर्तमान अनुच्छेद के लक्ष्य यह ईईजी न्यूरोइमेजिंग डेटा पर लागू होता है के रूप में multiscale एन्ट्रापी की एक वैचारिक और methodological विवरण (एमएसई) प्रदान किया गया. ईईजी उच्च अस्थायी समाधान के साथ तंत्रिका नेटवर्क गतिविधि उपाय है कि एक शक्तिशाली गैर इनवेसिव न्यूरोइमेजिंग तकनीक है. ईईजी संकेत जिसका सामूहिक प्रतिक्रियाओं विभिन्न उत्तेजक और निरोधात्मक रैत्रांत कनेक्शन द्वारा संशोधित कर रहे हैं प्रांतस्था में पिरामिड कोशिकाओं की आबादी के बाद synaptic गतिविधि को दर्शाता है. तदनुसार, ईईजी डेटा का विश्लेषण और प्रत्येक विधि के डेटा का एक अनूठा पहलू निकालता करने के लिए कई तरीके हैं.

घटना से संबंधित संभावित (ईआरपी) विश्लेषण और वर्णक्रमीय शक्ति विश्लेषण: हम विश्लेषण के दो आम तरीकों पर चर्चा की. ईआरपी विश्लेषण एक असतत घटना की शुरुआत के लिए चरण बंद है कि ईईजी संकेत में तुल्यकालिक neuronal गतिविधि कब्जा. ERPs कल्पना की जांच के लिए इस आंकड़े को आदर्श बनाने, विशिष्ट अवधारणात्मक, मोटर, या संज्ञानात्मक संचालन को प्रतिबिंबितific प्रसंस्करण चरणों. स्पेक्ट्रल शक्ति विश्लेषण ईईजी संकेत करने के लिए एक विशेष आवृत्ति के रिश्तेदार योगदान quantifies. विभिन्न उत्तेजक और निरोधात्मक प्रतिक्रिया छोरों चढ़ना करने के लिए एक विशेष आवृत्ति 1,3 पर neuronal आबादी की गतिविधि बातचीत. अलग मस्तिष्क क्षेत्रों के बीच इस तरह के synchrony व्यापक तंत्रिका नेटवर्क भर में सूचना के बंधन को बढ़ावा देने के लिए सोचा है. एक विशेष आवृत्ति सीमा के भीतर सत्ता और समारोह 3 की एक विशिष्ट भावनात्मक या संज्ञानात्मक राज्य के बीच कड़ी का समर्थन एक समृद्ध साहित्य है.

ईईजी विश्लेषण जब यह तंत्रिका नेटवर्क गैर रेखीय गतिशीलता के साथ जटिल प्रणालियों रहे हैं कि मन में रखने के लिए भी महत्वपूर्ण है. इस तरह की जटिलता व्यर्थ पृष्ठभूमि शोर का परिणाम नहीं हैं कि अनियमित दोलनों के रूप में ईईजी संकेत में परिलक्षित होता है. तुल्यकालिक oscillatory गतिविधि की तरह, विभिन्न उत्तेजक और निरोधात्मक रैत्रांत छोरों के बीच बातचीत क्षणिक फ्लू के कारणसमय पर 6 मस्तिष्क संकेत में ctuations. इस तरह के यात्रियों के अंतर्निहित नेटवर्क की स्वतंत्रता या जटिलता की डिग्री का अनुमान किया जा सकता है कि नेटवर्क सूक्ष्म के बीच संक्रमण या bifurcations प्रतिबिंबित करने के लिए विश्वास कर रहे हैं, समय के साथ संकेत के आयाम पैटर्न में अधिक से अधिक परिवर्तनशीलता एक अधिक जटिल प्रणाली 5 का संकेत है. एमएसई है जबकि गंभीर, ईआरपी या वर्णक्रमीय शक्ति का विश्लेषण करती है, इस तरह के अनियमित गतिविधि के प्रति संवेदनशील नहीं हैं. इसके अलावा, नेटवर्क जटिलता का एक सूचकांक बस मस्तिष्क क्षेत्रों के बीच क्षणिक और गतिशील आवर्तक बातचीत करने के लिए अंधा इस तरह के एक तरीके के रूप में सक्रिय मस्तिष्क क्षेत्रों की संख्या है की गणना के द्वारा प्राप्त नहीं किया जा सकता है.

विश्लेषण न्यूरोइमेजिंग के लिए पूरक तरीकों अंतर्निहित तंत्रिका गतिविधि की एक पूरी तस्वीर बनाने के लिए गठबंधन. ऐसे ईआरपी और वर्णक्रमीय शक्ति के रूप में न्यूरोइमेजिंग डेटा, के अधिक परंपरागत अनुप्रयोगों से परिणामों की व्याख्या एमएस तरह जटिलता के उपायों द्वारा संवर्धित कर रहे हैंई; एमएसई एक विशिष्ट संज्ञानात्मक आपरेशन के लिए योगदान देता है कि कई timescales भर में मस्तिष्क गतिविधि के spatiotemporal पैटर्न में परिवर्तन के अनुक्रम कब्जा करने के लिए एक तरीका प्रदान करता है. नए और मौजूदा डेटा सेट को एमएसई लागू करना अनुभूति तंत्रिका नेटवर्क गतिशीलता से उभर कैसे में आगे अंतर्दृष्टि प्रदान कर सकता है.

Disclosures

ब्याज की कोई संघर्ष की घोषणा की.

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