Anwendungen von EEG Neuroimaging Daten: Ereignis-korrelierte Potenziale, Spectral Power und Multiscale Entropy

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

Summary

Neuroimaging Forscher gewöhnlich auch der Reaktion des Gehirns als die mittlere Aktivität über wiederholte experimentelle Studien und Missachtung Signal Variabilität im Laufe der Zeit als "Rauschen". Allerdings ist es immer klar, dass es in diesem Signal Lärm. Dieser Artikel beschreibt die neue Methode von multiscale Entropie zur Quantifizierung Gehirn Signal Variabilität im Zeitbereich.

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

Bei der Betrachtung der menschlichen Neuroimaging Daten, bedeutet eine Aufwertung des Signals Variabilität eine grundlegende Innovation in der Art, wie wir denken über Gehirn-Signal. Typischerweise stellen die Wissenschaftler die Antwort des Gehirns als Mittelwert über wiederholte experimentelle Studien und Missachtung Signal Schwankungen im Laufe der Zeit als "Rauschen". Es wird jedoch immer deutlicher, dass Gehirn-Signal Variabilität sinnvolle funktionelle Informationen über neuronale Netzwerk-Dynamik vermittelt. Dieser Artikel beschreibt die neue Methode von multiscale Entropie (MSE) zur Quantifizierung Gehirn Signal Variabilität. MSE kann besonders informativ von neuronalen Netzwerk-Dynamik, weil es Zeitskala Abhängigkeit und Sensibilität für lineare und nichtlineare Dynamik in den Daten zeigt.

Introduction

Jüngste Fortschritte in der Bildgebung haben sich unser Verständnis der Funktion des Gehirns ergänzt. Allerdings neigen viele der Anwendungen von Neuroimaging-Daten, um die Ansicht des Gehirns in statischen Zustände anstatt Betonung kognitiven Operationen, wie sie in Echtzeit entfalten verstärken. Somit ist über die Raum-Zeit-Struktur Gehirnnetzwerken und wie die Sequenz von Änderungen der raum-zeitlichen Muster über mehrere Zeiträume trägt zu einer spezifischen kognitiven Betrieb bekannt. Der vorliegende Artikel beschreibt multiscale Entropie (MSE) 5, ein neues analytisches Werkzeug für Neuroimaging Daten, die die Komplexität der zugrunde liegenden spezifischen raumzeitlichen Muster Kognition Operationen durch die Bereitstellung von Informationen darüber, wie verschiedene neuronale Generatoren in einem funktionalen Netzwerk Gehirn kommunizieren über mehrere Zeitskalen untersucht.

Abgeleitet aus der Informationstheorie, eine angewandte Zweig der Mathematik 7,16 war MSE originally, die Komplexität der Elektrokardiogramme 4 zu untersuchen. Theoretisch könnte MSE verwendet, um die Komplexität von jedem Zeitreihen analysiert werden, die primäre Voraussetzung ist, dass das Signal Zeitreihe mindestens 50 Datenpunkte zeitkontinuierliche enthält. Jedoch kann die Zeitskala Abhängigkeit und Empfindlichkeit auf lineare und nichtlineare Dynamik in den Daten vornehmen MSE besonders informativ von neuronalen Netzwerk-Dynamik.

Hier konzentrieren wir uns auf die Anwendung von MSE zu Elektroenzephalogramm (EEG) Neuroimaging Daten 9,12 konzentrieren. EEG ist eine nichtinvasive bildgebende Technik, bei der Elektroden, die auf der Kopfhaut platziert werden, erfassen die postsynaptischen Reaktionen von Populationen von Neuronen im Neocortex 1. Mit hoher zeitlicher Auflösung, EEG erfüllt problemlos die Zeitreihe Länge der erforderlichen MSE ohne die typischen Erwerb Protokoll. Um den Nutzen der Anwendung von MSE zu EEG-Daten betonen, vergleichen wir diese neuartige Methode mit mehr traditionellen Ansätzen inkl.uding event-related Potenzial und spektrale Leistungsdichte. Wenn sie zusammen verwendet, bieten diese komplementären Methoden der Analyse eine vollständige Beschreibung der Daten, die weitere Einblicke in neuronale Netzwerk-Operationen, die Anlass zu Erkenntnis führen kann.

Protocol

1. EEG Acquisition

  1. Erklären Sie die experimentellen Verfahren zu dem Teilnehmer und Einwilligung nach Aufklärung.
  2. Bewerben Drop-Down-Elektroden. Saubere Anlage auf dem Gesicht, wo Dropdown-Elektroden angeordnet mit einem Alkoholtupfer werden.
  3. Zeigen Elektrode Kappe auf der Kopfgröße des Teilnehmers. Messen Teilnehmers Kopfumfang und wählen Sie die entsprechende Größe der Kappe. Nach dem international anerkannten 10-20 Systems für die Platzierung der Elektroden, messen Sie den Abstand von nasion zu inion entlang der Mittellinie und dividieren um 10%. Mit dieser Zahl messen von nasion und Marke. Richten Sie die Elektrodenkappe Position FP mit diesem Zeichen und ziehen Sie die Kappe zurück. Stellen Sie sicher, dass die Mitte der Kappe im Einklang mit der Nase ist. Messen nasion zu Cz, und bestätigen, dass dieser Abstand die Hälfte des Abstandes von nasion zu inion ist. Ziehen Sie den Kinnriemen.
  4. Platz stumpf-Punkt-Spritze in den Elektrodenhalter Gel-Füllung. Um ein leitfähiges Gel Spalte erstellen, in Kontakt beginnen mitdie Kopfhaut, dann drücken und nach hinten ziehen. Beachten Sie, dass die Anwendung von zu viel Gel kann die Signale von benachbarten Elektroden überbrücken.
  5. Fix aktiven Elektroden in die Elektrode Inhaber.
  6. Positionieren Sie das Motiv vor dem Monitor auf die entsprechende Distanz für das Experiment. Fragen Sie die Teilnehmer, noch bleiben, betont die Bedeutung der Minimierung Augenbewegungen und blinkt für eine saubere Aufnahme.
  7. Untersuchen Sie die Elektrode Verbindungen und EEG-Signal-Qualität auf den Erwerb Computer. Stellen Sie sicher, dass alle Offsets Elektrode gering (<40 mV) und stabil sind. Wenn ein Problem mit einem bestimmten Elektrode, nehmen diese Elektrode und erneut Gel Impedanzen an diesem Standort anzupassen.
  8. Speichern Sie die Datei und starten Sie den Versuch.

2. EEG-Analyse

  1. Nach Experimentieren, aber vor dem Extrahieren der bestimmte Statistik von Interesse, Vorverarbeitung der kontinuierlichen EEG-Daten, um Artefakte unter Verwendung von Standardverfahren der Filterung ein entfernennd Artefaktunterdrückung. Schneiden Sie die kontinuierliche EEG in Epochen, die der jeweiligen diskreten Ereignis, wie die Präsentation von Fotografie. In jeder Epoche, mit einer 100 ms vor Stimulus Fenster als Grundlinie.
  2. Termin-Potenziale (ERP) Analyse erfasst synchrone Hirnaktivität, die zu Beginn der Veranstaltung phase-locked ist. Durchschnittlich über Studien, die hervorgerufenen Reaktionen aus der "lauten" (dh Nicht-Phase-locked) Hintergrund-Aktivität zu trennen. Die Variabilität in den Studien-und zwischen-Themen stellt eine große Herausforderung für die ERP Analysemethode. Um ein gutes Signal-zu-Rausch-Verhältnis zu erreichen die experimentelle Protokoll sollte enthalten viele diskrete Ereignisse mit definierbaren Onsets. Zeit Verriegelung der Reaktion des Gehirns auf den Beginn einer markanten Ereignis und dann Mittelung über viele Ereignisse wie hilft, etwas von diesem Lärm zu reduzieren, aber die zeitliche Synchronität mit diesem Verfahren erstellt der Regel löst sich innerhalb von 1 Sekunde. Identifizieren ERP Komponente Spitzenamplituden und Latenzen für jeden TeilfondsProjekt (für weitere ausführliche Leitlinien für ERP Analyse siehe Picton et al., 2000).
  3. Verwendung von Fourier-Analyse, Transformation des EEG-Signals aus dem Zeitbereich in den Frequenzbereich und zersetzen sich das Signal in seiner zusammengesetzten Sinuswellen unterschiedlicher Frequenzen 6.
  4. Multiscale Entropie (MSE) ist ein Informations-theoretischen Metrik, die die Variabilität der neuroelectical Signale über die Zeit und über mehrere Zeitskalen schätzt. Um eine konzeptionelle Darstellung des MSE Analyse, betrachten zwei simulierten Wellenformen, eine regelmäßige Wellenform und eine stochastische. Beispiel Entropiewerte sind nahe Null für die regelmäßige Wellenform und ~ 2,5 für die weitere variable Wellenform. Eine Erhöhung der Probe Entropie entspricht einer Steigerung der Signalintensität Komplexität, die nach Angaben der Theorie, wie eine Erhöhung der Menge an Informationen Verarbeitungskapazität des zugrunde liegenden Systems 7,16 interpretiert werden kann. Denken Sie daran, dass die Kapazität des Gehirns ist nicht festgelegt, sondern ändert dependen auf der neuronalen Kontext 2, dh Hirnregionen, die funktionell an einem bestimmten Zeitpunkt verbunden werden geschehen.
  5. Um MSE berechnen, verwenden Sie den Algorithmus an www.physionet.org/physiotools/mse/ , die MSE berechnet in zwei Schritten.
  6. Erstens, der Algorithmus schrittweise nach unten tastet das EEG Zeitreihen pro Versuch und pro Bedingung. Abwärts-Probe die ursprüngliche Zeitreihe zu erzeugen mehrere Zeitreihen unterschiedlicher Zeitskalen. Zeitreihe 1 ist die ursprüngliche Zeitreihe. Um die Zeitreihe der nachfolgenden Fristen zu erstellen, teilen Sie die ursprüngliche Zeitreihe in nicht überlappenden Fenstern der Zeitskala Länge und durchschnittlich die Datenpunkte innerhalb jedes Fensters. Downsampling ist ähnlich Tiefpassfilterung; Teilen der Abtastfrequenz von der Zeitskala wird ungefähr die Frequenz, bei der das Signal Tiefpass für diesen bestimmten Zeitrahmen gefiltert. Die Anwendung von MSE zu einer parsondere Frequenzbereich (z. B. alpha: 9 Hz bis 12 Hz) kann als die die Zusammensetzung von Rhythmen innerhalb dieses Bereichs als auch die Interaktion zwischen diesen Frequenzen interpretiert werden.
  7. Zweitens, berechnet der Algorithmus die Probe Entropie für jeden grobkörnigen Zeitreihen 14. Probe Entropie schätzt die Komplexität einer Zeitreihe. In einer nicht-linearen Analyse der EEG, geht man davon aus, dass ein einzelner Zeitreihen die Manifestation einer zugrundeliegenden mehrdimensionalen nichtlinearen dynamischen Modells (siehe Stam 2005 für eine Übersicht) darstellt. In diesem Beispiel ist m (das Muster Länge) auf zwei, was bedeutet, dass die Variabilität der Amplitude Muster jeder Zeitreihe in zweidimensionalen gegenüber dreidimensionalen Raum wird unter Berücksichtigung der Sequenz Muster von zwei gegen drei aufeinander folgenden dargestellt werden Zahnriemenräder Datenpunkte sind. Parameter r (das Ähnlichkeitskriterium) spiegelt den Amplitudenbereich (durch die Höhe der Farbstreifen), innerhalb der Datenpunkte einals "match" wieder. Für eine typische EEG Zeitreihen mit mehr als 100 Datenpunkte, setzen Sie den Parameter m gleich 2 ist und die Parameter r gleich einem Wert zwischen 0,5 und 1 (siehe Richman und Moorman, 2000, für eine detaillierte Vorgehensweise zur Auswahl von Parametern finden Sie in See et al., 2002).
    Zum Beispiel Entropie dieser simulierten Zeitreihe zu berechnen, wobei die erste Zwei-Komponenten-Musters, rot-orange zu beginnen. Erstens zählen die Anzahl, wie oft die rot-orange-Sequenz Muster tritt in der Zeitreihe, es gibt 10 Spiele für dieses Zweikomponenten-Sequenz. Zweitens, die Anzahl der Male ersten Drei-Komponenten-Sequenz Muster, rot-orange-gelb, tritt in der Zeitreihe, es gibt 5 Spiele für dieses Drei-Komponenten-Sequenz. Fahren Sie mit den gleichen Operationen für die nächste Zwei-Komponenten-Sequenz (orange-gelb) und dem nächsten Drei-Komponenten-Sequenz (orange-gelb-grün) der Zeitreihe. Die Zahl der Zwei-Komponenten-Spiele (5) und Drei-Komponenten-Spiele (3) für diese sequences werden zu den vorherigen Werten (; insgesamt drei-Komponenten-Spiele = 8 insgesamt Zweikomponenten-Spiele = 15) aufgenommen. Wiederholen Sie dies für alle anderen Spiele in Folge der Zeitreihe (bis N - m), um das gesamte Verhältnis von Zwei-Komponenten-Spiele zu Drei-Komponenten-Spiele bestimmen. Probe Entropie ist der natürliche Logarithmus dieses Verhältnisses. Für jedes Thema, berechnen Sie den Kanal spezifische MSE Schätzung als Mittelwert über einzigen Versuch Entropie Maßnahmen für jeden Zeitplan.

Representative Results

1A und 2A stellen die EEG-Signal in Reaktion auf die Präsentation eines Gesichtsbildes. Mittelung über wie Studien erzeugt eine Wellenform, die ERP aus einer Reihe von positiven und negativen Ausschläge genannt ERP Komponenten besteht. Abbildung 1B zeigt eine gemittelte Wellenform für ein einziges Thema und 6A zeigt eine große durchschnittliche Wellenform für eine Gruppe von Fächern. Es gibt eine reiche Literatur, die jedes ERP Komponente bezieht sich auf eine bestimmte Wahrnehmung, motorische oder kognitive Betrieb. Zum Beispiel ist das N170 eine negative Auslenkung Peaks bei etwa 170 msec nach dem Beginn des Stimulus und in Gesichterverarbeitung 8,15 beteiligt ist.

2B veranschaulicht die Zersetzung desselben EEG-Signal in Komponente Frequenzbänder. Die Ergebnisse zeigen spektrale Analyse der Frequenz des Signals (Fig. 2C), wobeieine Erhöhung der Leistung bei einer bestimmten Frequenz entspricht einem Anstieg in Gegenwart dieser Rhythmus innerhalb des EEG-Signals.

Wie spektralen Leistungsdichte ist MSE empfindlich auf die Komplexität der Schwingungskomponenten zum Signal beiträgt. Doch anders als spektrale Leistungsdichte ist MSE auch empfindlich auf die Wechselwirkungen zwischen Frequenzkomponenten (dh nichtlineare Dynamik 18). Die Komplexität eines EEG-Signals als Funktion der Entropie Probe (5) über mehrere Zeitrahmen (4) dargestellt. Wie in Abbildung 3 dargestellt ist, ist Probe Entropie niedrig für regelmäßige Signale und steigt mit dem Grad der Zufälligkeit Signal. Im Gegensatz zu herkömmlichen Entropie Maßnahmen, die Erhöhung mit dem Grad der Zufälligkeit ist multiscale Entropie der Lage, komplexe Signale von weißem Rauschen zu unterscheiden, indem man Entropie über mehrere Zeitskalen. Zum Beispiel, Costa et al., 2005, multiscale Entropiewerte f im Vergleichoder unkorreliert (weiß) gegen Lärm korrelierten (pink) Lärm. Während Probe Entropie größer war als bei weißem Rauschen als rosa Rauschen in feinen Zeitskala, wurde das Gegenteil bei gröberen Zeitskalen 5-20 beobachtet. In anderen Worten, wenn die Entropie in mehreren Zeitskalen galt, war der wahre Komplexität der Signale genauer dargestellt als wäre, wenn nur ein einziger Zeitskala betrachtet. Abhängig von der zeitlichen Dynamik eines Kontrastmittel Zustand kann Effekte ausdrücken: 1) auf die gleiche Weise in allen Zeitskalen, 2) an einigen Zeitskalen nicht aber andere, oder 3) als Weiche Auswirkungen, wobei der Kontrast verschieden feine gegenüber gröberen Zeitskalen.

Abbildung 6 zeigt Zustand Unterschiede in ERP (6A), spektrale Leistungsdichte (6B), MSE (6C) Gegenüberstellung der anfänglichen gegenüber wiederholen Präsentationen von Fotografien Gesicht 9. In diesem Beispiel sind alle Maßnahmen gebündelt zu offenbarendie gleiche Wirkung, jedoch ist die beobachtete Abnahme der Probe, die Entropie Gesicht Wiederholung begleitet wichtig, da sie die Interpretation der Ergebnisse einschränkt. Eine Verringerung der Komplexität nahe, dass die zugrunde liegenden funktionellen Netzwerk einfacher und die Verarbeitung von Informationen weniger.

Abbildung 7 zeigt statistische Ergebnisse der multivariaten Analyse der partiellen kleinsten Quadrate 11 angewendet, um ERP, spektrale Leistungsdichte und MSE. Das Experiment manipuliert die Vertrautheit mit verschiedenen Gesichtern (Heisz et al., 2012) verbunden. Der Kontrast (Balkendiagramm) zeigt, dass ERP Amplitude unterschieden neue Gesichter von bekannten Gesichtern, aber nicht zu den bekannten Gesichtern, die in Höhe der früheren Exposition variiert. Spektrale unterschieden Gesichter nach erworbenen Kenntnisse aber nicht genau zwischen den Flächen mit mittlerem und niedrigem Vertrautheit zu unterscheiden. MSE war am empfindlichsten auf den Zustand Unterschiede in dieser Probe Entropiewerte zunehmended mit zunehmender Vertrautheit Gesicht. Die Bild Grundstücke erfassen die raumzeitliche Verteilung der Zustand Effekt über alle Elektroden und Zeit / Frequenz / Zeitskala. Dieses Beispiel zeigt eine Situation, in der die Analyse des EEG durch MSE erzeugt einzigartige Informationen, die nicht erhalten wurde, wurde mit herkömmlichen Methoden der ERP oder spektralen Leistungsdichte. Diese Abweichung von MSE legt nahe, dass die Bedingungen in Bezug auf nichtlineare Aspekte der Netzwerk-Dynamik unterscheidet und gegebenenfalls durch die Wechselwirkungen zwischen den verschiedenen Frequenzkomponenten.

Abbildung 1
Abbildung 1. A) Die EEG Antworten von einem einzigen Thema als Funktion der Amplitude Auslenkung von der Grundlinie für jeden Versuch gegen die Zeit aufgetragen vom Beginn der Studie. Jeder Versuch bestand aus der Präsentation eines Fotos von einem Gesicht. Positive Amplitude Ausschläge sind in dargestelltred; negative Amplitude Ausschläge sind in blau dargestellt. Alle Studien zeigen eine positive Auslenkung um 100 ms und 250 ms, was event-related Phase-Locked-Aktivität. B) Mittelung über alle Studien in 1A dargestellt produziert einen gemittelten ERP Wellenform mit deutlichen positiven und negativen Ausschläge als Event-Komponenten und benannt nach einem einheitlichen Nomenklatur. Zum Beispiel ist die erste P1 positiv gehenden Komponente und N170 ist eine negative Komponente, die Peaks bei etwa 170 msec nach dem Beginn des Stimulus.

Abbildung 2
Abbildung 2. A) Die EEG-Reaktion eines einzigen Thema für einen einzigen Versuch Plotten Amplitude durch die Zeit (in Datenpunkte, Abtastrate 512 Hz). B) Die EEG-Antwort von 2A bandpassgefilterte zu Frequenzbänder Delta isolieren(0-4 Hz), Theta (5-8 Hz), alpha (9-12 Hz), Beta (13-30 Hz) und gamma (> 30 Hz). C) Spektrale Leistungsdichte des EEG Reaktion in Abbildung dargestellten 2A Frequenz darstellt, Zusammensetzung des Signals als eine Funktion der Leistung nach Frequenz. Eine Erhöhung der spektralen Energie mit einer bestimmten Frequenz entspricht einem Anstieg in der Anzahl von aktiven Neuronen synchron innerhalb des jeweiligen Frequenzbandes mitgerissen. Hier eine größere Abbildung anzuzeigen .

Abbildung 3
Abbildung 3 A) Zwei simulierte Wellenformen:.. Ein regelmäßiger oder vorhersehbar Wellenform in lila dargestellt, und eine stochastische Wellenform in schwarz dargestellt B) Probe Entropiewerte der beiden simulierten Wellenformen für die ersten drei Zeitskalen. Beispiel entropy ist in hohem Maße vorhersehbar Signale als weitere stochastische Signale gering. Klicken Sie hier, um eine größere Abbildung anzuzeigen .

Fig. 4
Abbildung 4. Downsampling die ursprüngliche Zeitreihe erzeugt mehrere Zeitreihen unterschiedlicher Zeitskalen. Zeitskala 1 ist die ursprüngliche Zeitreihe. Die Zeitreihe der Zeitskala 2 wird berechnet, indem die ursprüngliche Zeitreihe in erstellt nicht überlappenden Fenstern der Länge 2 und die durchschnittliche Datenpunkte innerhalb jedes Fensters. Um die Zeitreihe der nachfolgenden Fristen zu erzeugen, teilen Sie die ursprüngliche Zeitreihe in nicht überlappenden Fenstern der Zeitskala Länge und durchschnittlich die Datenpunkte innerhalb jedes Fensters.

Abbildung 5
Abbildung 5. Eine simulierte Wellenform, wo jedes Rechteck stellt einen einzelnen Datenpunkt in der Zeitreihe. Probe Entropie schätzt die Variabilität einer Zeitreihe. In diesem Beispiel ist m (das Muster Länge) auf zwei, was bedeutet, dass die Varianz der Amplitude Muster jeder Zeitreihe in zweidimensionalen gegenüber dreidimensionalen Raum wird unter Berücksichtigung der Sequenz Muster von zwei gegen drei aufeinander folgenden dargestellt werden Zahnriemenräder Datenpunkte sind; r (die Ähnlichkeit Kriterium), spiegelt die Amplituden (bezeichnet durch die Höhe der farbigen Bändern), in dem Datenpunkte als "match" werden. Zum Beispiel Entropie dieser simulierten Zeitreihe zu berechnen, wobei die erste Zwei-Komponenten-Musters, rot-orange zu beginnen. Erstens zählen die Anzahl, wie oft die rot-orange-Sequenz Muster tritt in der Zeitreihe, es gibt 10 Spiele für dieses Zweikomponenten-Sequenz. Zweitens, die Anzahl der Male ersten Drei-Komponenten-Sequenz Muster, rot-orange-Schreiow, tritt in der Zeitreihe, es gibt 5 Spiele für dieses Drei-Komponenten-Sequenz. Fahren Sie auf diese Weise für die nächsten zwei-Komponenten-Sequenz (orange-gelb) und Drei-Komponenten-Sequenz (orange-gelb-grün). Die Zahl der Zwei-Komponenten-Spiele (5) und Drei-Komponenten-Spiele (3) für diese Sequenzen sind zu den vorherigen Werten (; insgesamt drei-Komponenten-Spiele = 8 insgesamt Zweikomponenten-Spiele = 15) aufgenommen. Wiederholen Sie dies für alle anderen Spiele in Folge der Zeitreihe (bis N - m), um das gesamte Verhältnis von Zwei-Komponenten-Spiele zu Drei-Komponenten-Spiele bestimmen. Probe Entropie ist der natürliche Logarithmus dieses Verhältnisses. Für jedes Thema, berechnen Sie den Kanal spezifische MSE Schätzung als Mittelwert über einzigen Versuch Entropie Maßnahmen für jeden Zeitplan.

Abbildung 6
6. Zustand Unterschiede in ERP (A), spektrale Leistung (B),MSE (C) Gegenüberstellung der ersten gegenüber der mehrfachen Präsentationen von Gesichts-Fotografien. Klicke hier, um eine größere Abbildung anzuzeigen .

Abbildung 7
Abbildung 7. Gegenüberstellung der EEG Reaktion auf gelernt Gesichter über Maßnahmen von ERP, spektrale Leistungsdichte und multiscale Entropie. Die Balkendiagramme zeigen die Kontrast zwischen Bedingungen, die von Partial Least Squares-Analyse 11 bestimmt. Das Bild Grundstück unterstreicht die räumlich-zeitliche Verteilung, bei der dieser Kontrast war sehr stabil, wie durch Bootstrapping ermittelt. Die Werte stellen ~ z Partituren und negative Werte bedeuten Bedeutung für die inverse Bedingung Wirkung. Klicken Sie hier, um eine größere Abbildung anzuzeigen .

Discussion

Das Ziel des vorliegenden Artikels war es, eine konzeptionelle und methodische Beschreibung multiscale Entropie (MSE) liefern, wie es zu EEG Neuroimaging Daten gilt. EEG ist ein leistungsfähiges nicht-invasive bildgebende Verfahren, das neuronale Netzwerk-Aktivität misst mit hoher zeitlicher Auflösung. Die EEG-Signal spiegelt post-synaptische Aktivität von Populationen von Pyramidenzellen in der Hirnrinde, dessen kollektive Antworten werden von verschiedenen erregenden und hemmenden Wiedereintrittsverbindungen modifiziert. Dementsprechend gibt es mehrere Möglichkeiten, um Daten zu analysieren und EEG jede Methode extrahiert einen einzigartigen Aspekt der Daten.

Wir diskutierten zwei gängige Methoden zur Analyse von Ereignis-korrelierte Potential (ERP) Analyse und spektrale Analyse. ERP-Analyse erfasst die synchrone neuronale Aktivität in dem EEG-Signal, das den Beginn einer diskreten Ereignissystem phasenstarr ist. ERPs reflektieren spezifischen Wahrnehmungs-, Motor-oder kognitiven Operationen, so dass diese Statistik ideal für die Prüfung specific Verarbeitungsstufen. Spektrale Analyse quantifiziert den relativen Beitrag einer bestimmten Frequenz auf die EEG-Signals. Verschiedene erregenden und hemmenden Rückkopplungsschleifen interagieren mitzureißen die Aktivität von neuronalen Populationen bei einer bestimmten Frequenz 1,3. Solche Synchronität zwischen verschiedenen Hirnregionen wird angenommen, dass die Bindung von Informationen über weit verbreitete neuronale Netze zu fördern. Es gibt eine reiche Literatur unterstützen die Verbindung zwischen der Leistung in einem bestimmten Frequenzbereich und eine spezifische emotionale oder kognitive Zustand der Funktion 3.

Bei der Analyse von EEG ist es auch wichtig zu bedenken, dass neuronale Netze komplexer Systeme mit nichtlinearer Dynamik. Solche Komplexität der EEG-Signaldaten als unregelmäßige Schwingungen, die nicht die Folge bedeutungslos Hintergrundrauschen reflektiert. Wie synchronen Oszillationen verursachen die Wechselwirkungen zwischen verschiedenen erregenden und hemmenden reentrant Schleifen vorübergehende grippeartigectuations im Gehirn über die Zeit 6. Solche Übergänge sind vermutlich Übergänge oder Gabelungen zwischen Netzwerk microstates, die verwendet werden, um die Freiheitsgrade oder die Komplexität der zugrunde liegenden Netzwerk-schätzen kann reflektieren; größere Variabilität in der Amplitude Muster des Signals über die Zeit ist ein Hinweis auf ein komplexeres System 5. Kritisch sind ERP oder spektrale Leistungsdichte Analysen nicht sensibel auf solche unregelmäßige Aktivität, während MSE ist. Darüber hinaus kann ein Index Komplexität des Netzwerks nicht einfach durch Abzählen der Anzahl von aktiven Hirnregionen wie ein solches Verfahren ist blind für die transiente und dynamische wiederkehrenden Wechselwirkungen zwischen Hirnregionen erhalten werden.

Komplementäre Methoden für Neuroimaging Analyse zu kombinieren, um ein vollständiges Bild der zugrunde liegenden neuronalen Aktivität zu erstellen. Die Interpretation der Ergebnisse von traditionellen Anwendungen der bildgebenden Daten, wie zB ERP-und spektrale Leistungsdichte, sind durch Maßnahmen der Komplexität wie MS erweitertE; MSE bietet eine Möglichkeit, die Reihenfolge der Änderungen in den räumlich-zeitlichen Muster der Hirnaktivität über mehrere Zeitskalen, die zu einem bestimmten kognitiven Betrieb trägt zu erfassen. Anwenden von MSE zu neuen und bestehenden Datensätzen können tieferen Einblick in die Erkenntnis ergibt sich aus neuronalen Netzwerk-Dynamik bieten.

Disclosures

Keine Interessenskonflikte erklärt.

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