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

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

Summary

Beyin görüntüleme araştırmacılar genellikle tekrarlanan deneysel çalışmalar boyunca ortalama faaliyet olarak beynin yanıtı düşünün ve "gürültü" olarak zaman içinde sinyal değişkenliği göz ardı. Ancak, bu gürültü sinyal olduğu açık hale gelmektedir. Bu makalede, zaman tanım beyin sinyal değişkenlik ölçülmesi için çok ölçekli entropi yeni yöntem açıklanır.

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

Insan beyin görüntüleme verileri göz önüne alındığında, sinyal değişkenlik bir takdir biz beyin sinyal düşünmek şekilde temel bir yenilik temsil eder. Tipik olarak, araştırmacılar tekrarlanan deneysel çalışmalar boyunca ortalama olarak beynin yanıtı temsil ve "gürültü" olarak zaman içinde sinyal dalgalanmaları dikkate almayın. Ancak, beyin sinyal değişkenlik sinir ağı dinamikleri hakkında anlamlı fonksiyonel bilgi nakleden olduğu açık hale gelmektedir. Bu makalede, beyin sinyal değişkenlik ölçülmesi için çok ölçekli entropi (MSE) en yeni yöntem açıklanır. O zaman ölçeği bağımlılık ve veri doğrusal ve doğrusal olmayan dinamikleri duyarlılık gösterdiği için MSE sinir ağı dinamiklerinin özellikle bilgilendirici olabilir.

Introduction

Beyin görüntüleme son gelişmeler büyük ölçüde beyin fonksiyonlarını daha iyi anlayabilmemiz yükseltmiştir. Ancak, beyin görüntüleme veri uygulamaları birçok gerçek zamanlı olarak açılmak gibi bilişsel işlemleri vurgulayarak daha statik eyalette yerine beynin görünümünü güçlendirmek için eğilimindedir. Sonuç olarak, küçük beyin ağlarının uzay-zaman yapısı hakkında ve nasıl birden fazla zaman çizelgesi üzerinde uzaysal şekillerindeki değişikliklerin dizisi belirli bir bilişsel işlem katkıda bilinmektedir. Bu makale çok ölçekli entropi (MSE) 5, birden fazla zaman çizelgesi üzerinde bir fonksiyonel beyin ağ iletişim içinde ne kadar farklı sinir jeneratörler hakkında bilgi vererek özel biliş işlemleri altında yatan uzaysal desen karmaşıklığı inceler veri beyin görüntüleme için yeni bir analitik aracı anlatılmaktadır.

Bilgi kuramı türetilen, matematik 7,16 uygulamalı bir dalı, MSE orijinal olduelektrokardiyogram 4 karmaşıklığı incelemek için tasarlanmıştır ly. Teorik olarak, MSE herhangi bir zaman serisi karmaşıklığını analiz etmek için kullanılabilir; birincil gerekli sinyal zaman serisi sürekli zaman en az 50 veri noktaları içermesidir. Ancak, zaman ölçeği bağımlılığı ve veri doğrusal ve doğrusal olmayan dinamikleri duyarlılık sinir ağı dinamiklerinin özellikle bilgilendirici MSE yapabilir.

Burada, veri 9,12 beyin görüntüleme elektroensefalografi (EEG) için MSE uygulanması odaklanın. EEG kafa derisi üzerine yerleştirilen elektrotlar neokorteks 1 nöronların nüfus postsinaptik yanıtları yakalamak sayede bir non-invaziv beyin görüntüleme tekniğidir. Yüksek temporal çözünürlük ile, EEG kolayca tipik satın alma protokolü değiştirmeden MSE gerekli zaman serisi süresini karşılar. EEG veri MSE uygulamanın faydası vurgulamak için, daha fazla geleneksel yaklaşımlar dahil olan bu yeni yöntem, karşılaştırmaolay-ilişkili potansiyel ve spektral güç uding. Birlikte kullanıldığında, analiz bu tamamlayıcı yöntemler biliş neden sinir ağı işlemleri içine daha fazla fikir yol açabilir verilerin daha ayrıntılı bir açıklaması sağlar.

Protocol

1. EEG Toplama

  1. Katılımcıya deneysel işlemleri açıklar ve bilgilendirilmiş onam edinin.
  2. Elektrotlar açılan uygulayın. Temiz açılan elektrotlar bir alkollü bez ile yer alacak yüzünde alanı.
  3. Katılımcı kafasına elektrot kap yerleştirin. Katılımcının baş çevresi ölçümü ve uygun kapak boyutu seçin. Elektrot yerleştirme için uluslararası kabul görmüş 10-20 sistemine takiben, orta hat boyunca nasion gelen inion olan mesafeyi ölçmek ve% 10 bölün. Bu sayı kullanarak, nasion ve işareti kadar ölçün. Bu işareti elektrot kap konumu Fp hizalayın ve kapağı geri çekin. Kapak ortasına burun doğrultusunda olduğundan emin olun. Cz için nasion ölçmek ve bu mesafe nasion gelen inion için yarım mesafe olduğunu doğrulayın. Chinstrap sıkın.
  4. Yeri elektrot sahipleri künt-nokta şırınga jel dolu. Jel iletken bir sütun oluşturmak için, temas başlangıçkafa derisi, sonra sıkmak ve geri çekin. Çok fazla jel uygulama komşu elektrotlar arasında sinyaller köprü unutmayın.
  5. Elektrod tutucusu içine aktif elektrotlar Fix.
  6. Deney için uygun mesafede monitörün önünde konusu yerleştirin. Temiz bir kayıt için göz hareketleri ve yanıp söner minimize önemini vurgulayan, hala devam için katılımcı isteyin.
  7. Satın alma bilgisayarda elektrot bağlantıları ve EEG sinyal kalitesini inceleyin. Tüm elektrot uzaklıklar düşük (<40 mV) ve kararlı olduğundan emin olun. Belirli bir elektrot ile ilgili bir sorun varsa, bu elektrot almak ve bu sitede empedansları ayarlamak için jel yeniden uygulayın.
  8. Dosyayı kaydedin ve deney başlar.

2. EEG Analizi

  1. Deney sonra, ama ilgi belirli bir istatistik ayıklanması önce, önişlem sürekli EEG veri filtreleme standart prosedürler kullanarak eserler çıkarmak içinnd eser ret. Bu fotoğraf sunumu her ayrık olay, karşılık dönemini içine sürekli EEG kesin. Her çağda, bir temel olarak 100 msn önceden uyaran pencere içerir.
  2. Olaya ilişkin potansiyeller (ERP) analizi olayın başlangıcı faz-kilitli olan senkron beyin aktivitesini yakalar. Arka plan aktivite (yani olmayan faz kilitli) "gürültülü" den ortaya çıkan yanıtlardan ayırmak için çalışmalar boyunca ortalama. Çalışmalar boyunca ve-konular arasında değişkenlik analiz ERP yöntemi için büyük bir meydan okuma sunuyor. Iyi bir sinyal-gürültü oranı elde etmek için deney protokolünde tanımlanabilir sergilenir birçok ayrık olaylar içermelidir. Bir belirgin olayın başlangıcı için beynin tepki kilitleme ve sonra olaylar gibi birçok üzerinden ortalama zaman bu gürültü bazı azaltmaya yardımcı olur, ancak bu işlem tarafından oluşturulan geçici senkronize genellikle 1 saniye içinde erir. Her bir alt için ERP bileşeni genlik zirve ve gecikmeleri tespitject (ERP analizi ile ilgili daha ayrıntılı yönergeler için, Picton ve diğerleri., 2000).
  3. Fourier analizi kullanarak, frekans zaman etki alanından EEG sinyal dönüşümü ve frekans 6 değişen kompozit sinüs dalgaları içine sinyal ayrıştırmak.
  4. Ölçek entropi (MSE) zaman içinde ve çok zaman ölçekleri arasında neuroelectical sinyallerinin değişkenliği tahmin bir bilgi teorik ölçümüdür. MSE analiz kavramsal bir tasviri sağlamak için, iki simüle dalga, düzenli bir dalga ve bir daha stokastik bir düşünün. Örnek entropi değerleri düzenli dalga için sıfıra yakın ve daha değişken dalga için 2.5 ~. Örnek entropi artış bilgi teorisine göre, temel sistem 7,16 bilgi işleme kapasitesi miktarında bir artış olarak yorumlanabilir, sinyal karmaşıklığı, bir artışa karşılık gelir. Bir beyin kapasitesi sabit değildir unutmayın ama değişiklikler Depesinir bağlamda 2 nding, işlevsel zaman içinde belli bir noktada bağlı olarak gerçekleşmesi beyin bölgelerinin yani.
  5. MSE hesaplamak için, mevcut algoritma kullanmak www.physionet.org/physiotools/mse/ iki adımda MSE hesaplar,.
  6. İlk olarak, algoritma giderek aşağı örnekleri deneme başına ve durumu başına EEG zaman serisi. Aşağı örnek orijinal zaman serisi değişen zaman çizelgesi birden çok zaman serisi oluşturmak için. Zaman serisi 1 orijinal zaman serisi. Sonraki zaman çizelgeleri ve zaman serisi oluşturmak için, zaman ölçeği uzunluğu ve ortalama örtüşmeyen pencereler her pencere içinde veri noktaları içine orijinal zaman serisi bölün. Aşağı örnekleme alçak geçiren filtreleme benzer, zaman ölçeği tarafından örnekleme frekansı bölünmesi olacak sinyali düşük geçmek o zaman ölçeği için filtre hangi frekans yaklaşık. Bir par MSE uygulanmasıticular frekans aralığı (örneğin, alfa: 9 Hz ila 12 Hz) bu aralığa ritimleri kompozisyonu hem de bu frekansları arasındaki etkileşimi temsil olarak yorumlanabilir.
  7. İkinci olarak, algoritma her iri taneli zaman serisi 14 için örnek entropi hesaplar. Örnek entropi bir zaman serisi karmaşıklığı tahmin ediyor. EEG bir doğrusal olmayan analizde, bir bireyin zaman serisi altta yatan bir çok boyutlu doğrusal olmayan dinamik modeli (bir inceleme için Stam, 2005) tezahürü temsil ettiğini varsayar. Bu örnekte, m (desen uzunluğu) her zaman serilerinin genlik desen değişkenliği iki karşı üç ardışık sırası desen dikkate alınarak iki boyutlu karşı üç boyutlu uzayda temsil anlamına gelir iki, ayarlanır veri noktaları, sırasıyla. Parametre r (benzerlik kriteri), veri bir işaret, içinde genlik aralığı (renkli bantların yüksekliği ile gösterilen) yansıtıryeniden "maç" olarak kabul. Parametreleri seçilmesiyle ilgili ayrıntılı bir işlem için Gölü bakın; 100'den fazla veri noktaları ile tipik bir EEG zaman serisi için, 0.5 ve 1 (Richman ve Moorman, 2000 görmek arasında bir değere eşit 2 eşit parametre m ve parametre r ayarlayın ve ark., 2002).
    Bu simüle zaman serisi için örnek entropi hesaplamak için, ilk iki bileşenli dizisi desen, kırmızı-turuncu ile başlar. İlk olarak, kırmızı-turuncu sıra desen zaman serisi oluşur sayısını saymak, bu iki bileşenli dizisi için 10 maçı var. İkincisi, zaman ilk üç bileşenli dizisi desen sayısını, kırmızı-turuncu-sarı, zaman serisi ortaya çıkar, bu üç bileşenli dizisi için 5 maç var. Önümüzdeki iki bileşenli dizisi (turuncu-sarı) için aynı işlemleri ve zaman serisi bir sonraki üç bileşenli dizisi (turuncu-sarı-yeşil) ile devam edin. Bu istif için iki-bileşenli maçları (5) ve üç bileşenli maçları (3) sayısıCES önceki değerler (, toplam üç bileşenli sonuç = 8 toplam iki bileşenli bir sonuç: 15) eklenir. Üç bileşenli maçlar iki bileşenli maç toplam oranı belirlemek için - zaman serisi diğer tüm dizi maçları (m kadar N) için tekrarlayın. Örnek entropi bu oran doğal logaritma olduğunu. Her konu için, her zaman ölçeği için tek bir dava entropi önlemler arasında ortalama olarak kanal özel MSE tahmin hesaplamak.

Representative Results

Şekil 1A ve 2A bir yüz görüntüsü sunumu yanıt olarak EEG sinyali temsil eder. Çalışmalar gibi genelinde ortalama ERP bileşenleri olarak adlandırılan pozitif ve negatif deplasmanlar bir dizi oluşan bir ERP dalga üretir. Şekil 1B 6A konularda bir grup için büyük bir ortalama dalga formu gösteren tek bir konu ve Şekil için ortalama dalga göstermektedir. Belirli bir algısal, motor veya bilişsel işlem için her ERP bileşeni ilgili zengin bir literatür bulunmaktadır. Örneğin, N170, yaklaşık 170 milisaniye sonrası uyaran başlangıç ​​tepe ve yüz işleme 8,15 alakalıdır olumsuz bir sapmadır.

Şekil 2B, bileşen frekans bantlarına aynı EEG sinyal ayrışma göstermektedir. Güç spektral analiz sonuçları sayede, sinyalin frekans içeriği (Şekil 2C) açığaBelirli bir frekansta gücünde bir artış EEG sinyali içinde bu ritmi varlığında bir artışı yansıtır.

Spektral güç olduğu gibi, MSE sinyale katkıda salınım bileşenleri karmaşıklığı duyarlıdır. Ancak, spektral güç aksine, MSE de frekans bileşenleri (yani doğrusal olmayan dinamikleri 18) arasındaki etkileşimler konusunda uzmandır. EEG sinyalinin karmaşıklığı çok zaman ölçekleri (Şekil 4) üzerinden örnek entropi (Şekil 5) bir fonksiyonu olarak temsil edilir. Şekil 3'te gösterildiği gibi, örnek entropi sinyal rasgelelik derecesi ile normal sinyal ve artışlar için düşüktür. Rastgele derecesi ile bu artış geleneksel entropi önlemler aksine, çok ölçekli entropi çok zaman ölçekleri arasında entropi dikkate alınarak beyaz gürültü karmaşık sinyalleri ayırt edebilir. Örneğin, Costa ve arkadaşları. 2005 çok ölçekli entropi değerleri f göreilişkili (pembe) gürültü karşı veya ilişkisiz (beyaz) gürültü. Örnek entropi ince zaman ölçeği de pembe gürültü daha beyaz gürültü için daha fazla iken, karşı kaba zaman ölçekleri 5-20 gözlenmiştir. Diğer bir deyişle, entropi birden fazla zaman çizelgesi üzerinde kabul edildi, sinyallerin gerçek karmaşıklığı daha doğru bir şekilde sadece tek bir zaman ölçeği olarak kabul edildi halinde olacağından daha temsil edilmiştir. Belirli bir kontrast zamansal dinamikleri olarak, durumu etkiler ifade edilebilir: Bazı zaman ölçekleri tüm zaman çizelgesi, 2) boyunca aynı şekilde) 1 ancak diğer değil, ya da 3) çapraz etkileri sayede kontrast farklı olduğu ince karşı kaba zaman çizelgesi.

Şekil 6 ERP durumu fark (Şekil 6A), spektral güç (Şekil 6B), vesikalık fotoğraf 9 ilk karşı tekrar sunumlar zıt MSE (Şekil 6C) gösteriyor. Bu örnekte tüm önlemleri ortaya çıkarmak için birleştirdiaynı etkiyi, bu sonuçların yorumlanması kısıtlar gibi ancak, yüz tekrarı eşlik örnek entropi gözlenen azalma önemlidir. Karmaşıklığı bir azalma temel işlevsel ağ daha basit ve daha az bilgi işleme kapasitesine sahip olduğunu göstermektedir.

Şekil 7 ERP, spektral güç ve MSE uygulanan kısmi en küçük kareler 11 değişkenli analiz istatistiksel sonuçları gösteriyor. Deney farklı yüzleri (Heisz ve ark., 2012) ile ilişkili aşinalık manipüle. Kontrast (çubuk grafik) bu ERP genlik tanıdık yüzlerden ancak önceki maruz kalma miktarda çeşitli tanıdık yüzler arasında yeni yüzler ayırt gösterir. Ayırt spektral güç elde aşinalık göre karşı karşıya ama doğru, orta ve düşük aşinalık yüzleri arasında ayrım yoktu. MSE bu örnek entropi değerleri artt koşulu farklılıklara en hassas olduartan yüz aşinalık ile ed. Görüntü araziler tüm elektrotlar ve zaman / frekans / zaman ölçeği karşısında durumun etkisi uzaysal dağılımı yakalamak. Bu örnek, MSE tarafından EEG analizi ERP veya spektral gücün geleneksel yöntemlerle elde edilememiştir ve güvenilir bilgi imal edildiği bir durum gösterir. MSE Bu farklılık koşulları muhtemelen çeşitli frekans bileşenleri arasındaki etkileşimleri içeren, kendi ağ dinamikleri doğrusal olmayan yönleri ile ilgili farklılık göstermektedir.

Şekil 1
Şekil 1. A) Her bir deneme için başlangıca genlik sapma bir fonksiyonu olarak tek bir konunun EEG yanıtları davanın başlangıcından zamana karşı çizilen. Her deneme bir yüz görüntü bir fotoğraf sunumu oluşuyordu. Pozitif genlik deplasmanlar tasvir edilirkırmızı, negatif genlik deplasmanlar mavi tasvir edilmektedir. Tüm çalışmalarda olaya ilişkin bileşenleri olarak adlandırılan ve adı farklı pozitif ve negatif deplasmanlar ile bir ortalama ERP dalga üretir Şekil 1A tasvir tüm çalışmalar boyunca ortalamasının) olaya ilişkin faz-kilitli aktivite. B gösteren, 100 msn ve 250 msn etrafında pozitif sapma gösteriyor Bir standart isimlendirme göre. Örneğin, P1 ilk olumlu gidiyor bileşenidir ve N170 olumsuz bir bileşeni olduğunu yaklaşık 170 msn sonrası uyaran başlangıcında tepe.

Şekil 2,
Şekil 2. Zaman (veri noktaları olarak, hızı 512 Hz örnekleme). B) deltasının frekans bantları izole etmek için filtre Şekil 2A bant geçiren ve EEG yanıt ile genlik komplo tek bir deneme için bir tek konu A) EEG yanıtEEG yanıt (0-4 Hz), teta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) ve gama (> 30 Hz). C) spektral güç yoğunluğu Şekil tasvir Yayın gücünün bir fonksiyonu olarak, sinyalin frekansı bileşimi temsil 2A. Belirli bir frekansta spektral güç bir artış söz konusu frekans bandı içinde sürüklenen eşzamanlı aktif nöron sayısında artış yansıtmaktadır. büyük rakam görmek için buraya tıklayın .

Şekil 3,
Şekil 3 A) İki simüle dalga:.. Mor tasvir düzenli veya öngörülebilir dalga ve siyah tasvir daha stokastik dalga B) ilk üç zaman ölçekleri için iki simüle dalga örnek entropi değerleri. Örnek ENTRopyala fazla Stokastik sinyal daha yüksek tahmin sinyaller için düşüktür. büyük rakam görmek için buraya tıklayın .

Şekil 4,
Şekil 4. Aşağı örnekleme, orijinal zaman serisi değişen zaman çizelgesi birden fazla zaman serisi üretir. Zaman ölçeği 1 orijinal zaman serisi. Zaman ölçeği 2 zaman serisi içine orijinal zaman serisi bölünmesi ile oluşturulur örtüşmeyen uzunluğu 2 ve her pencere içinde ortalama veri noktalarının pencere. Sonraki zaman çizelgeleri ve zaman serisi oluşturmak için, zaman ölçeği uzunluğu ve ortalama örtüşmeyen pencereler her pencere içinde veri noktaları içine orijinal zaman serisi bölün.

Şekil 5,
Şekil 5,. Her dikdörtgen zaman serisi. Örnek entropi tek bir veri noktası temsil eden bir simüle dalga bir zaman serisi değişkenliği tahmin ediyor. Bu örnekte, m (desen uzunluğu) her zaman serilerinin genlik desen varyans iki karşı üç ardışık sırası desen dikkate alınarak iki boyutlu karşı üç boyutlu uzayda temsil anlamına gelir iki, ayarlanır veri noktaları, sırasıyla, r (benzerlik kriteri), veri noktaları "maç" olarak kabul edilir, içinde genlik aralığı (renkli bantların yüksekliği ile gösterilir) yansıtır. Bu simüle zaman serisi için örnek entropi hesaplamak için, ilk iki bileşenli dizisi desen, kırmızı-turuncu ile başlar. İlk olarak, kırmızı-turuncu sıra desen zaman serisi oluşur sayısını saymak, bu iki bileşenli dizisi için 10 maçı var. İkincisi, zaman ilk üç bileşenli dizisi desen, kırmızı-turuncu-bağırma sayısınıow, zaman serisi ortaya çıkar, bu üç bileşenli dizisi için 5 maç var. Önümüzdeki iki bileşenli dizisi (turuncu-sarı) için bu şekilde devam edin ve üç bileşenli dizisi (turuncu-sarı-yeşil). Bu diziler için iki-bileşenli maçları (5) ve üç bileşenli maçları (3) sayısı önceki değerler (, toplam üç bileşenli sonuç = 8 toplam iki bileşenli bir sonuç: 15) eklenir. Üç bileşenli maçlar iki bileşenli maç toplam oranı belirlemek için - zaman serisi diğer tüm dizi maçları (m kadar N) için tekrarlayın. Örnek entropi bu oran doğal logaritma olduğunu. Her konu için, her zaman ölçeği için tek bir dava entropi önlemler arasında ortalama olarak kanal özel MSE tahmin hesaplamak.

Şekil 6,
ERP Şekil 6. Durumu fark (A), spektral güç (B),MSE (C) yüz fotoğrafları ilk karşı tekrarlanan sunumlar zıt. büyük rakam görmek için buraya tıklayın .

Şekil 7
Şekil 7. ERP, spektral güç ve çok ölçekli entropi önlemler arasında öğrenilen yüzleri için EEG yanıt zıt. Çubuk grafikler betimliyor kısmi en küçük kareler analizi 11 tarafından belirlenen şartlar arasındaki kontrast. Görüntü arsa önyükleme tarafından belirlenen bu kontrast en istikrarlı olduğu hangi mekansal-zamansal dağılımı vurgulamaktadır. Değerler ~ z skorları temsil ve negatif değerler ters durum etkisi için önem ifade etmektedir. büyük rakam görmek için buraya tıklayın .

Discussion

Bu makalenin amacı bu EEG beyin görüntüleme verileri için geçerli olarak çok ölçekli entropi bir kavramsal ve metodolojik açıklaması (MSE) sağlamaktı. EEG yüksek zamansal çözünürlüğe sahip sinir ağ etkinliğini ölçen güçlü bir non-invaziv beyin görüntüleme tekniğidir. EEG sinyal kolektif tepkiler çeşitli eksitatör ve inhibitör evresel bağlantıları ile değiştirilir korteks, piramidal hücre popülasyonlarının post-sinaptik aktivite yansıtır. Buna göre, EEG verileri analiz ve her yöntemin verilerin benzersiz bir yönü ayıklar için birden fazla yolu vardır.

Olay-ilişkili potansiyel (ERP) analizi ve spektral güç analizi: Biz analiz iki yaygın yöntemler ele. ERP analizi ayrı bir olay başlangıcı için faz-kilitli olan EEG sinyalinde senkron nöronal etkinliği yakalar. ERP spec incelenmesi için bu istatistik idealdir, belirli algısal, motor veya bilişsel işlemleri yansıtmakIFIC işleme aşamaları. Spektral güç analizi EEG sinyal belirli bir frekans göreli katkısı rakamlarla. Çeşitli eksitatör ve inhibitör geri bildirim döngüleri sürüklemek için belirli bir frekansta 1,3 de nöronal nüfus faaliyet etkileşim. Farklı beyin bölgeleri arasındaki bu eşzamanlı yaygın sinir ağları arasında bilgi bağlayıcı teşvik düşünülmektedir. Belirli bir frekans aralığında güç ve fonksiyon 3 belirli bir duygusal ya da bilişsel devlet arasındaki bağlantıyı destekleyen zengin bir literatür bulunmaktadır.

EEG analiz zaman sinir ağları doğrusal olmayan dinamikleri ile karmaşık sistemleri olduğunu akılda tutmak için de önemlidir. Bu karmaşıklık anlamsız arka plan gürültü sonucu değildir düzensiz salınımlar gibi EEG sinyal yansır. Senkron salınım aktivite gibi çeşitli eksitatör ve inhibitör evresel döngüler arasındaki etkileşimleri geçici grip nedensüresi 6 üzerinde beyin sinyal ctuations. Bu geçici temel ağ özgürlüğü veya karmaşıklık dereceleri tahmin etmek için kullanılabilir ağ mikro-arasındaki geçişler veya çatallanma yansıtacak inanılıyor, zaman içinde sinyal genliği desen büyük değişkenlik daha karmaşık bir sistemi 5 göstergesidir. MSE ise kritik, ERP veya spektral güç analizleri, bu düzensiz aktivite duyarlı değildir. Ayrıca, ağ karmaşıklığını bir dizin sadece beyin bölgeleri arasında geçici ve dinamik tekrarlayan etkileşimleri kör bir yöntem olarak aktif beyin bölgelerinin sayısı sayma ile elde edilemez.

Analizi beyin görüntüleme için tamamlayıcı yöntemler temel nöral aktivitenin tam bir resim oluşturmak için birleştirir. ERP ve spektral güç olarak beyin görüntüleme verileri, daha geleneksel uygulamaları sonuçlarının yorumlanması MS gibi karmaşıklık önlemleriyle da vardırE, MSE belirli bir bilişsel işlem katkıda birden fazla zaman çizelgesi boyunca beyin aktivitesinin uzaysal şekillerindeki değişikliklerin dizisi yakalamak için bir yol sağlar. Yeni ve mevcut veri setleri için MSE uygulamak biliş sinir ağı dinamikleri çıkar nasıl içine daha fazla fikir sağlayabilir.

Disclosures

Çıkar çatışması ilan etti.

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