A Novel Eksperimentel og analytisk tilgang til multimodal Neural dekodning hensigtserklæring Under Social Interaktion i frit-opfører Menneskelige Spædbørn

Behavior
 

Cite this Article

Copy Citation | Download Citations

Cruz-Garza, J. G., Hernandez, Z. R., Tse, T., Caducoy, E., Abibullaev, B., Contreras-Vidal, J. L. A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants. J. Vis. Exp. (104), e53406, doi:10.3791/53406 (2015).

Please note that all translations are automatically generated.

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

Abstract

Introduction

En af de fundamentale menneskelige evner er evnen til at lære og implementere tiltag (aktion produktion) strategisk i tjeneste af mål og belønninger, evnen til at pågribe målene for arbejdsmarkedets parter (aktion forståelse) for at producere passende sociale reaktioner, og evnen at lære af andre gennem observation og imitation 1. Det neurale grundlag af disse kognitiv-motoriske evner er blevet tilskrevet, i det mindste delvis, at det såkaldte spejl neuron system et system, der menes at være engageret, når man ser en person, der udfører en handling, og når man udfører handlingen. Men der kan være sammenhæng mellem spejlet neuron systemet og handling forståelse endnu ikke godt forstået 1. Studere fremkomsten og udviklingen af ​​dette spejl neuron system, i menneskelige spædbørn er blevet hæmmet af a) de tekniske begrænsninger erhvervelse af hjernens aktivitet multimodal data korrelerede til forsæt og finkornet køredataB) de begrænsninger, som forsøgsprotokoller, der er unaturlige (f.eks, social interaktion med en agent afbildet i et videobånd, behovet for at opretholde en stadig kropsholdning for at minimere artefakter under elektroencefalografiske (EEG) optagelser, etc.), og c) kommunikation / sprogbarrierer ved test unge spædbørn / småbørn, der i høj grad begrænser forskerens evner til at give instruktioner og validere adfærd.

For en bedre forståelse af varierende neurale og adfærdsmæssige dynamik i naturlige adfærd, udviklede vi en ny eksperimenterende og analytisk tilgang, der gør det muligt for tidsopløst undersøgelse af de neurale substrater for nye målrettede og sociale adfærd hos små børn. Konkret indsat vi en EEG baserede mobile hjernescanning (Mobi) tilgang 2 til rekord hjernens aktivitet og bevægelse fra frit opfører spædbørn i samspil med en eksperimentator. Inerti måleenheder (Imus) blev anvendt til at monMonitor er underlagt og eksperimentatorens kinematik.

EEG-teknologi og inerti sensorer blev brugt til at studere neurale mønstre og aktiveringer forbundet til spædbørn 'handling efterligning og målrettet adfærd i en unscripted samspil med en eksperimentator / skuespiller. Handlinger såsom rækkevidde-greb, nå-tilbud, observere, hvile, og udforske er alle en del af de kognitive-motoriske involveret i imiteret processer. Derudover bruger vi kilde estimering at lokalisere generatorerne af elektriske potentialer i hjernen i løbet af de adfærdsmæssige opgaver og derved studere spatiotemporale dynamik neuronale strømninger i hele hjernen. Ligeledes vi implementere machine learning algoritmer til at vurdere og måle forudsigeligheden af ​​disse adfærdsmæssige tiltag ved at identificere action-relevant spatio-temporale mønstre i den neurale aktivitet i sensoren (EEG) og / eller kilde rum. Integration traditionelle ERD / ERS, kilde og afkodning analyse giver en mere omfattende UDVIKLINGStal beskrivelse af det neurale grundlag for en sådan adfærd.

Denne opsætning gav os mulighed for at udnytte fordelene ved Mobi tilgang 2,3 og studere de sociale interaktioner mellem spædbarnet og eksperimentatoren som de naturligt forekommer uden restriktioner.

Protokollen fra det tidspunkt, hvor emnet ankommer til den tid, han / hun forlader, tager ca. 1 time at fuldføre. IMU / EEG setup tid og elektrode placering købet af varierer fra 15 til 25 minutter, afhængigt af faktorer som hårlængde og samarbejde af emnet. Initialiseringen og konfiguration af udstyret tilføjer op til 10 min, og testsession varer cirka 15 minutter. Fjernelse af imus og EEG cap, herunder rengøring lederen af ​​spædbarnet fra hypoallergen gel, tager 5-10 min.

Protocol

Følgende protokol blev undersøgt og godkendt af Institutional Review Board ved University of Houston. Alle spædbarn forsøgspersonernes forældre eller værger modtaget, læst, og underskrevet en form samtykke forud for deltagelsen. Forældre fik gratis parkering og en $ 20 gavekort som kompensation for deres deltagelse i undersøgelsen mens spædbørn valgte en alderssvarende legetøj.

De rekrutterede spædbarn emner mødte følgende kriterier: 1) Alder mellem 6 og 24 måneder. 2) Spædbarn var sundt, havde normal vækst og udvikling, og havde ingen historie fødslen spørgsmål, hjernerystelse, kramper, slagtilfælde, eller indlæringsvanskeligheder. Eksempler på nogle fælles udviklingsforstyrrelser, der ville udelukke et spædbarn fra test er manglende trivsel, underernæring, og brug af alkohol eller narkotika af moderen under graviditeten.

En forenklet rutediagram til samtidig registrering af multimodal neurale aktivitet via hovedbunden EEG ogImus i frit opfører spædbørn er præsenteret i figur 1.

1. informeret samtykke

  1. Vis forældre den eksperimentelle rum og kort forklare formålet med forsøget til dem.

2. Scalp EEG Forberedelse

  1. Bemærk: EEG anvendte (tabel 1) består af en aktiv elektrode-system med aftagelige elektroder. Impedans niveauer er angivet på elektroderne ved hjælp af lysdioder.
  2. Mål barnets hoved omkreds i cm. Placer en måling tape omkring den bredeste del af hovedet, passerer det over øjenbrynene og omkring occipital fremtrædende i baghovedet.
    Bemærk: Måling af hovedet omkreds er nødvendig for at vælge en passende størrelse EEG cap. Der er særlige størrelser for spædbarnet population beskrevet i tabel 1.
  3. Anbring elektroder på en passende størrelse EEG hætte (tabel 1), som angivet af10-20 internationale system. Hætten sikrer korrekt placering af elektroderne på hovedbunden.
    Bemærk: Det er at foretrække at have hætten klar, når spædbarnet ankommer til studiet placering. Oplysninger om hovedet størrelse kan fås fra forældrene før tiden, eller tilnærmes ved hjælp af tabeller tilgængelige online [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Hvis hovedet målingen ikke svarer til forskerens tilnærmelse, må en ny hætte være forberedt. Hvis flere kasketter og elektroder er til rådighed, kan flere hætter sættes op på forhånd for at minimere forberedelsestid.
  4. Forklar geldannende procedure til moderselskabet. Vis dem den stumpe kanyle og sprøjte bruges til at anvende gel på hver elektrode og lad dem føle nålen på deres hud. Brug en demo EEG elektrode og hovedbund hætten til at gå over geldannende procedure.
  5. Måle afstanden fra nasion til inion langs midsagittal plan overflade hovedbunden. Fortsæt at passe SCALp cap bagfra spædbarnet.
  6. Juster Cz elektrode med toppunktet af hovedet. Fortsæt med at tilpasse og centrere FP1 og FP2 elektroder på panden ved ca. 10% af afstanden mellem nasion og inion. Juster hovedbunden hætte symmetrisk langs midsagittal plan hovedet. Sørg for, at midten af ​​elektroder [AFZ, FZ, FCZ, CZ, CPZ, Pz, Poz, Oz] er på linje med den nasion og Inion. Når du er færdig, fastgøre hætten ved omsnøring under hagen.
    Bemærk: distrahere barnet, mens han / hun at blive udstyret med EEG hætte. En alderssvarende video er almindeligt anvendt til at distrahere spædbørn under installationen.
  7. Tilslut reference-, jord og optagelse elektroder til kontrolboksen. Tænd impedans indikatorer fra kontrolboksen.
  8. Startende med jord- og referenceelektroder, bruge en lille sprøjte til at injicere elektrolyt gel ind i rummet mellem hovedbunden og elektroden, indtil impedansen af ​​hver elektrode foranstaltninger under 60 kohm. Det er indicated af en gul eller grønt lys på elektroderne. Yderligere oplysninger om EEG elektrode forberedelse fås i 4.
    Bemærk: Under geldannende procedure, kan barnet bevæge hans / hendes hoved af forskellige årsager (nysgerrighed, frygt, omdirigeret opmærksomhed). Det anbefales derfor, at den anden forsøgslederen eller forælder fortsætter med at distrahere barnet. Brug sprøjter fra bag barnets hoved for at undgå risikoen for at ramme spædbarnets ansigt med nålen på grund af uventet bevægelse af motivet.
  9. Tilslut forstærkerne til værten PC via en USB-port ved hjælp af et fiberoptisk til USB konverter.
    Bemærk: Figur 2A viser barnet emnet setup med EEG hætten og IMU placering. Bemærk, at der afholdes elektroden kabler og kontrolboksen op, giver load-fri mobilitet til emnet. Figur 2B viser en topografisk visning af EEG cap s elektrode placeringer efter 10-20 mærkningsordningen.

3. Imus Forberedelse

  1. Åbn IMU-softwaren. Klik på "Ny" på den grafiske brugerflade.
  2. Klik derefter på "Konfigurer" i dialogboksen til at konfigurere imus. Indstil samplingfrekvensen til 128 Hz.
  3. Fastgør imus på hovedet, bryst og venstre og højre håndled af spædbarnet.
    Bemærk: Se figur 2A. Parallelt hermed passer eksperimentets håndled med imus. Sørg imus er sikret godt til kroppen for at minimere inerti målefejl.
  4. Ved hjælp af stropper, placere håndleddet Imus på den dorsale side af håndleddene. Placer brystet IMU på den ventrale overflade nær midten af ​​brystet ved hjælp af en sele.
  5. Fastgør hovedet IMU til hagerem i hovedbunden hætten, så den er tæt på venstre side af hagen. Placer imus så de vende udad, med LED lys orienteret op.
    Bemærk: Den Imus hver vejer omkring 22 g, og deres lille størrelse og lette vægt er usandsynligt at hindre movement. En yderligere forsøgslederen kan være nødvendigt at distrahere spædbarnet grunde beskrevet i trin 2.8.

4. Videooptagelse og synkronisering af data Streams

  1. Sted videokamera (18), således at spædbarnet (12), skuespilleren (14), og LED aftrækkeren (13) er alle klart synlige. Se figur 4.
    Bemærk: Videooptagelser bruges til at tillade visuel annotation og segmentering af adfærd udløst af forsøgslederen, samt bekræftelse af begyndelsen og slutningen af ​​indspilningen.
  2. Slut trigger input / output kabinet (7) til EEG (5) og imus (4). Se figur 3.
    Bemærk: En brugerdefineret input / output kabinet (7), er vist i figur 3, er designet til at tilpasse alle registrerede data-streams (EEG, Imus og video) og dermed bruge event markører fra en optagelse (såsom video) eller lette analysen af en anden optagelse (såsom EEG eller acceleration). Dette opnås ved hjælp af enenkelt momentan trykknap, at når deprimeret, vil sende en aktiv-lav (+ V for at Ground) trigger puls til EEG (via en DB-25 parallel port), IMU (via en mini-DIN-6 stik), og video (ved belysning af en lysemitterende diode (LED) anbragt i betragtning af videokamera) optagelser samtidigt. En 7404 IC logik inverter chip blev anvendt til at transformere den lave tilstand (Ground) til en høj-tilstand (+ V) puls, der giver spændingspotentialet nødvendig for at drive LED.
  3. Har du en eksperimentator tæt på aftrækkeren trykknap og dataindsamlingen computer. Forsøgslederen står for driften på aftrækkeren, overvåge datakvaliteten gennem hele forsøget, og gemme data.

5. Fremstilling af testmiljø

  1. Se figur 4.

6. Dataindsamling

  1. Optag de indledende impedansværdier af EEG elektroder ved hjælp af kontrol-software ved at vælge "ImpedansCheck "fanen, klikke på alternativknappen" Impedans On "(vent ca. 5 sek til elektrode impedansværdier at stabilisere), og klikke på" Save impedans "radio-knappen for at gemme impedanser. Se figur 5.
  2. Ingen filtre anvendes i løbet af EEG dataindsamling.
  3. I EEG-optager programmet, skal du klikke på "Monitor" og derefter "Play" for at starte omkodning EEG data. Se figur 6.
  4. I IMU-softwaren, klik på "Stream" og derefter "Record" i dialogboksen for at starte optagelsen IMU data. Se figur 7.
  5. Påfør tre triggers (III) for at signalere starten af ​​forsøget ved hjælp af trykknappen på input / output kabinet (7). Lad barnet hvile i 1 min, mens du optager. Dette giver indledende grundlæggende data.
  6. Udfør eksperimentet og lade barnet emnet tage pauser efter behov. Hvert forsøg forsøg består af en turn-hensyntagen opgave, hvor skuespilleren showsen handling til spædbarnet ved hjælp af et objekt (sædvanligvis, men ikke altid, et legetøj), sender det til spædbarnet i et forsøg på at indlede en efterligning respons, og endelig henter objektet tilbage fra barnet.
    Bemærk: Denne udveksling er generelt gentages til 4-5 forsøg, eller indtil barnet ikke længere udviser interesse i objektet.
  7. I betragtning miljøet af sessionen, anmærke alle tider af hver adfærd efter dataindsamlingen ved hjælp af videooptagelse.
  8. Den afsluttende impedansværdier af EEG-elektroder. Se trin 6.1.
  9. Digitalisere 3D rumlige koordinater for EEG elektroder ved hjælp af EEG elektrode 3D scanner og software og dens tilhørende software.
  10. Start 3D scanning software. Gå til "Filer" og vælg "ny-arbejdsområdet". Læg elektroden position filen i den første fane af arbejdsområdet, og give de nødvendige oplysninger i fanen opbevaring.
  11. I scanningen værktøjslinjen, klik på "stjernet scanning ". Brug 3D-scanner, på ca. 30 cm fra barnets hoved, til at scanne de elektrode placeringer ved at følge det skiftende lys mønstre på hætten. Når scanningen er færdig, vil softwaren automatisk gemme resultaterne.
    Bemærk: På bagsiden af ​​hovedet, kan kablerne blokere lysdioderne på elektroderne på grund af den lille størrelse af barnets hoved. Softwaren giver brugeren mulighed for at fjerne nogle elektroder fra scanningen uden at kompromittere resultaterne. Fjern de occipitale elektroder fra scanningen, hvis nødvendigt.

7. Behavioral Segmentering

  1. Undersøg videooptagelse af forsøget session og markere det tidspunkt, hvor den udløsende faktor LED blinker (dvs. når eksperimentet begynder og ender), og når en af de tidligere nævnte adfærd i trin 6.6 start og slut.

8. Kilde Imaging

  1. Bemærk: Source imaging kan præcist identificere generatorer afEEG potentialer i hjernen, og det består normalt af løse fremad og inverst problem 5.
  2. Erhverve Høj opløsning T1 vægtet Magnetic Resonance billede (MRI) af data fra offentlige domæne databaser såsom Udviklingsforstyrrelser MR-databasen, som indeholder gennemsnitlige MRI skabeloner som funktion af alder (i måneder) for de første to år af livet 6,7.
    Bemærk: Denne undersøgelse bruger kun alderssvarende forward hoved modeller af spædbørn og derfor ikke taget hensyn til sex oplysninger, når du vælger MRI skabelonen).
  3. Anskaf source mængder for grænsen element modeller (BEM), der omfatter hoved rum (dvs. grå substans, hvid substans, hovedbund, indre eller ydre kraniet) som MRI volumener fra Udviklingsforstyrrelser MR-databasen 8.
  4. Pre-processen BEM MRI volumen for at opnå en realistisk hoved model ved ekstraktion overfladen af ​​hjernen og hoved rum i Curry 7, eller lignende brain imaging software.
  5. Importer T1 vægtet MRI. Identificere manuelt de tre referencemærker punkter såsom højre / venstre pre-auricular punkter og nasion i hjernen imaging software eller lignende pakke.
  6. Co-registrere EEG og MR plads for at opnå den stive geometriske transformation mellem MR rum og motivets rum ved at montere de referencemærker punkter angivet på MR og referencemærkerne opnået med 3D-scanner i trin 6.9-6.11 hjælp af hjernescanning software eller lignende pakke.
  7. Løs den forreste model.
    Bemærk: Den forreste problem omfatter definition af et hoved model, der repræsenterer geometrien af hovedet og den elektriske ledningsevne egenskaber af hovedet volumen 9,10.
  8. Løs inverst problem
    Bemærk: Den inverse problem forsøger at udlede en placering, styrke og et tidsforløb for en kilde i hjernen fra hovedbunden EEG-signaler ved hjælp af signalbehandlingsteknikker 11.
  9. Segment kontinuerligEEG data i retssager omkring opgaven debut (f.eks., Efterligning, observation segmenter) med før og efter opgave onset segmenter af 2 sek længde. Identificer kanaler med høj impedans som "dårlige kanaler" og andre artefakt-forsøg i hvert forsøg. Pre-proces EEG data for artefakt afvisning hjælp ICA og rekonstruere de dårlige kanaler med gennemsnittet af nabolandet artefakt-fri kanaler. 12,13,14.
  10. Brug den forreste model som et input til en automatiseret optimering algoritme, der søger over hele hjernen at identificere de bedste mulige placeringer kilde.
  11. Visuelt analysere de estimerede kilder og afhente de løsninger, som de fleste matcher din forventning er baseret på forudgående viden fra natur eksperimentet og fortolke dem omhyggeligt.
    Bemærk: Dette trin er den mest forudindtaget tid på grund af dårligt stillede karakter af inverse problem, dvs. forskellige konfigurationer af kilderne kan resultere i den samme overflade potentialer. DerforKan det være nyttigt at udføre en sanity check til at kontrollere, at en bestemt model hoved og omvendt fremgangsmåde fungerer godt.
  12. Udfør en tilregnelighed check, lokalisere en kendt simuleret dipol. Nemlig, for den givne hoved model sted en dipol med kendt konfiguration, og løse den forreste problem at få simulerede spændinger for denne dipol.
  13. Løs den inverse problem med disse spændinger på samme hoved model, for at sikre det returnerer de simulerede dipoler.
    Bemærk: Disse sundhedstjek skal returnere dipolerne oprindeligt placeret på en høj grad af nøjagtighed.

Representative Results

Figur 8 viser prøve EEG og acceleration data fra imus for en 16 sek tid vindue registreret under interaktion mellem motivet og forsøgslederen. EEG data blev re-samplet ved 100 Hz og derefter båndpasfiltrerede [1-40 Hz] ved brug af en 3. orden, nul-fase Butterworth-filter. Kanaler med høj impedans værdier (Z> 60 KO), og perifere kanaler, blev kasseret 12,15. Den imus indspillet ni signaler på 128 Hz: magnetisk flux, vinkelhastighed, og lineær acceleration i de tre kartesiske akser. Her viser vi størrelsen af ​​tyngdekraften kompenserede (GC) acceleration. Effekten af tyngdeaccelerationen blev kompenseret ved at anvende en Kalman filter til at forudsige IMU orientering i en global ramme 16. Der blev segmenteret ved visuel inspektion af videooptagelserne (trin 7.1). Lodrette linier indikerer faste starten på en adfærd af interesse, som stiplede lodrette linier repræsenterer afslutningen af ​​begivenheden.

figur 8 omkring 709s. Den ubegrænset tilgang til dataindsamling i denne forsøgsprotokol gør EEG data er modtagelige for øjet blinker, øjenbevægelser, bevægelse og elektromyografiske artefakter. Dataene blev forbehandlet ved anvendelse af en 3 rd nulte orden-fase Butterworth båndpasfilter at begrænse det til delta-båndet (1-4Hz), og standardiseret ved at subtrahere middelværdien og dividere med standardafvigelsen. Høj amplitude artefakter blev fjernet automatisk ved hjælp af Artifact Subspace Removal (ASR) metode 17. Derudover er perifere kanaler udelukkes fra analysen af ​​data i et forsøg på at minimere myoelektrisk artefakt forurening. Frontalis og temporalis muskelsammentrækninger fusionere med EEG-signal mest fremtrædende på perifere steder: frontalis sammentrækning dukker op i forreste steder, og temporalis sammentrækning viser sig i lateral frontale og Temporal placeringer 15.

At inspicere arten af de indsamlede med denne protokol data, blev EEG data histogrammer afbildet i figur 9. I figur 9A, det beskriver fordelingen data for den standardiserede signal fra tre rumligt repræsentative elektroder. EEG data viser en multimodal fordeling for de analyserede adfærd. I figur 9B kurtosis værdier præsenteres som søjlediagrammer for nemmere visuel inspektion af dataene.

Klassifikation blev udført ved at udvinde tidsbaserede halter af hver EEG-kanal, hvilket reducerer dimensionalitet samtidig bevare den lokale scatter af hver klasse (Local Fishers diskriminant analyse (LFDA)) 18, og uddannelse / afprøvning af en model af den reducerede sæt af funktioner (Gaussisk Blanding Modeller (GMM'er)) 19. Træning / testning prøver blev tilfældigt opsamlet gennem 20 iterationer (dvs. cross-validering) til at forhindre enhver over-fitting.Training/testing~~V stikprøvestørrelse varierer i betragtning af antallet af afviste kanaler (dvs. impedans over 60 kHz), længden af eksperimentet session, og antal forsøg og adfærd til udtryk. Men antallet af træning og test prøver, der anvendes for hver klasse (adfærd), svarer til 50% af den mindste befolkede klasse. Som et eksempel, test sæt størrelsen af hver klasse er N = 1.069 prøver for barnet data vist i figur 10. Alle pre-forarbejdning og klassificering skridt blev beregnet under Matlab programmering miljø.

Figur 11 viser hele proceduren for EEG kilde estimering udført i denne undersøgelse i en trin-for-trin måde. Flere detaljer om hvert trin er også sammenfattet i afsnit 8.

Figur 12 viser resultaterne af begivenhed relateret (de) synkronisering (ERD / ERS) i mu rytme (5-9 Hz) og dipolen kilder i løbet af "Reach-offer1; opgave. ERS og ERD blev beregnet som en procentdel af et fald eller en stigning i en frekvens-band magt, som forekommer under begivenheden (nå og tilbyde opgave) interval sammenlignet med referenceintervallet (et segment taget forud for begivenheden). Dette tal viser også tyngdekraften-kompenseret størrelsesorden acceleration opnået under opgaven fra begge håndled af spædbarnet og skuespiller. For en dipol analyse EEG signaler blev nedbrudt ved hjælp af uafhængige komponent analyse (ICA) for at fjerne baggrundsstøj. Kilden estimering blev udført i mu rytme efter ICA forbehandlingsfasen via en fast MUSIC algoritme 5. Som forventet blev kilderne lokaliseret over højre primære motor område, mens emnet var ved hjælp af sin venstre hånd til at forstå objektet.

actiCAP EEG Cap- 64 elektroder *
produktnavn Firma Mængde
BrainAmp Forstærker Brain Products, Gmbh 2
Brain Products, Gmbh 10
actiCAP kontrolboks Brain Products, Gmbh 1
Brain Vision Recorder software Brain Products, Gmbh 1
actiCAP Kontrol Box-software Brain Products, Gmbh 1
CapTrak Brain Products, Gmbh 1
CapTrak software Brain Products, Gmbh 1
Opal bevægelse skærm APDM, Inc 6
Opal dockingstation APDM, Inc 6
Opal trådløst adgangspunkt APDM, Inc 1
Motion Studio software APDM, Inc 1
Trigger kasse Brugerdefineret 1
Videokamera HC-W850M, Panasonic Co. 1
* De EEG hætter kommer i følgende hovedomkreds størrelser til spædbørn: 42, 44, 46, 48, 50 cm. Til denne protokol, er et lager af 2 hætter af hver størrelse anbefales.

Tabel 1 Udstyr.

Figur 1
Figur 1. Flow diagrammer. (A) Flow diagram af forsøget setup. (B) Flow diagram af dataindsamlingen session. Klik her for at se en større version af dette tal.

Figur 2
Figur 2. Emne setup og klar til indsamling af data. (A) forfra af emne iført EEG cap, og fire imus. (B) Topografisk repræsentation af 64 kanals EEG cap ved hjælp af 10-20 standard elektrode positioneringssystem. Klik her for at se et større udgave af dette tal.

Figur 3
Figur 3. Dataindsamling udstyr og i test værelse. (A) Dataindsamling udstyr opsætning: EEG styreboksen (1), EEG hætte (2), udløser (3), trådløs IMU data modtager (4), EEG forstærkere (5), legetøj boks (6), udløse trykknap (7), datafangst laptops (8), imus dockingstation (9). (B) Nærbillede af EEG cap, aktive elektroder og kontrolboksen. (C) Close-up af Imus og trådløs modtager, Trigge r trykknap, EEG forstærkere, og dataindsamling bærbare computere. Klik her for at se en større version af dette tal.

Figur 4
Figur 4. Skematisk fremstilling af eksperimentel indstilling. EEG styreboksen holder (10). Om værge sidder på stolen (11), eksperimentatoren sidder på stolen (14) og den person overvåge data sidder på stolen (17). Resten af forsøgsopstillingen er vist:. Interaktion bordplade (12), udløser (13), legetøj boks (15), datafangst tabel (16), videokamera placering (18) Klik her for at se en større version af denne figur.

"Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/>
Figur 5. Screenshot af EEG kontrol software. Pilene peger på vigtige ikoner i softwaren, der er beskrevet i trin 6.1 og 6.8. Klik her for at se en større version af dette tal.

Figur 6
Figur 6. Skærmbillede af EEG optagelse software. Pilene peger på vigtige ikoner i softwaren beskrevet i trin 6.2 og 6.3. En del af den levende streaming rådata vises. Klik her for at se en større version af dette tal.

pg "/>
Figur 7. Skærmbillede af imus software. De røde kasser fremhæve de vigtigste ikoner i softwaren beskrevet i trin 6.4. (A) Hoved-kommando-vinduet. (B) Configuration vinduet. (C) Optagelse vindue. Klik her for at se en større version af dette tal.

Figur 8
Figur 8. Prøve data fra et repræsentativt eksperimentel session. (A) EEG og acceleration data er vist, både båndpasfiltrerede [1-40Hz]. EEG elektroder med lav impedans (Z <60 kohm) i hele sessionen vises. Solid lodrette streger angiver opførsel debut (B) Standbillede repræsentationer af spædbarnet engageret i den adfærd analyseret:. Overhold, Reach-greb, Reach-tilbud, efterlignite, Udforsk, Rest. Klik her for at se en større version af dette tal.

Figur 9
Figur 9. Histogrameksempler af EEG amplitude for seks adfærd identificeret. A) De viste data svarer til de rå data fra tre elektroder (CP2, FC5, POZ) registreres i en session med en 20-måneder gamle spædbarn. Histogrammerne er skaleret til det højeste antal hændelser og kurtosis af hvert histogram er vist på højre side af hvert plot. Læg mærke til multimodal fordeling for de fleste af adfærd. B) kurtosis af eksempeldata for hver adfærd. Klik her for at se en større version af dette tal.


Figur 10. EEG forudser adfærdsmæssige handlinger i frit opfører spædbørn 12. Vises En prøve forvirring matrix for klassificeringen nøjagtighed for en 20 måned gammel baby. Den samlede dekodning nøjagtighed vises i nederste højre hjørne. Klik her for at se en større version af dette tal.

Figur 11
Figur 11. Kilde Lokalisering. Trin, der kræves for et spædbarn dipol kilde lokalisering ved hjælp af en anatomisk MRI og en funktionel EEG-data. Klik her for at se en større version af denne figenure.

Figur 12
Figur 12. Reach-tilbud opgave analyse profil. A) Snapshots af et spædbarn udfører "Reach-tilbud" opgave. B) Mean Global Field Power of EEG i Mu-båndet (5-9 Hz), de bevægeapparatet baner spædbarnet og skuespiller; den store gennemsnit hændelse med relation spektrale forstyrrelse fra alle kanaler. C) Lokaliserede dipol kilder til to begivenheder af "Movement debut" og "Bevægelse Afslutning". Klik her for at se en større version af dette tal.

Discussion

Den beskrevne protokol præsenterer en metodologi til at indsamle data fra frit opfører spædbørn, mens de interagerer med en eksperimentator i realtid. Den beskæftiger mobilteknologi hjernescanning (hovedbund EEG) til at fange neurale aktivitet samtidig optager kinematisk data med Imus på strategiske kroppen steder. Forsøget session er også optaget af et videokamera. De tre dataregistreringssystemer synkroniseres ved hjælp af en brugerdefineret trigger-system.

EEG og IMU-system er spændt fast til emnet, som han / hun frit bevæger sig under eksperimentet session. De imus skal sidde fastspændt for at kunne fange kinematik præcist. For at sikre fuld ubegrænset mobilitet emnet, udstyret skal være så minimalt indgribende som muligt; således anvendelse af holderen til støtte EEG elektrode kabler og EEG styreboksen. Eksperimentatoren interagerer derefter med spædbarnet i ca. 15 minutter. InfAnt vil fremkalde et aldersbetinget repertoire af adfærd under interaktion. Disse omfatter hvile, nå-greb, nå-tilbud, udforske, observere og efterligne. Dog vil nogle spædbørn være uvillige til at samarbejde i sessionen på grund af træthed, manglende komfort, eller stress. Sørg for at planlægge eksperimentet, når barnet er mest dynamiske og aktive for at forhindre forekomsten af ​​negative svar fra ham / hende.

Arten af ​​eksperimentet indebærer risici for kvaliteten af ​​de registrerede data i hele sessionen. Derfor er det afgørende at teste alle de forbindelser og datakvalitet, før du starter indspilningen, og til at overvåge dem konstant under sessionen. Hvis dataene EEG systemet ikke optager kvalitetsdata, stop softwaren og afmontere alle tilslutninger. Før genstart af software eller tilslutning af udstyr, tilbage til den bærbare computer, skal du fjerne alle mulige støjkilder (dvs. strømforsyninger) fra nærhed af optagelsen hardware. EEG-hardware omfatter signal forstærkere, der kan afhente ekstern støj hvis de placeres tæt på elektriske støjkilder. For IMU-modtageren, skal du sørge for der er ingen indblanding i sigtelinje mellem modtageren og eksperimentet og spædbarn.

Denne forsøgsopstilling giver høj tidsmæssig opløsning neurale data ved at måle elektrisk aktivitet på overfladen af ​​hovedbunden. Nylige undersøgelser har vist muligheden for at udnytte disse signaler, sammen med hele kroppen kinematik, at identificere klassificeres information til udtryksfulde bevægelser 20, og funktionelle bevægelser 21,22, hvilket tyder på, at denne foreslåede dataindsamling tilgang kunne føre til en bedre forståelse af den neurale baggrund af imitation hos spædbørn.

Seneste bidrag byder kraftfuld maskine-learning algoritmer anvendes på hjernen dynamik 13,20,21 er ved at opbygge en voksende toolkit til at studere overfladen potentialer i mere naturligt setillinger. Denne foreslåede setup giver et spektrum af muligheder for forskningsspørgsmål, der skal behandles 2,22. Det kan især anvendes til forskning fokuseret på a) at forstå neurale grundlag af kognitiv motorisk udvikling hos spædbørn baseret på en stor population af individer; b) at forstå den neurale grundlag af barnets hensigt i 'handling og kontekst «, som bør være prædiktiv for den indkommende adfærdsmæssige handling; c) kvantificering fælles og unikke neurale mønstre for at karakterisere individualitet og variabilitet i udviklingslandene hjernen; og d) at studere fremkomsten af ​​efterligning og læreprocesser. Disse mål indebærer indsættelsen af machine learning algoritmer, der kan håndtere statistisk rig data både informative hjerne-stammer potentialer og bevægelse eller muskel artefakter 12,20,23.

Denne undersøgelse forsøger at estimere kortikale kilder og elektrisk felt potentialer ved hjælp af spædbarn EEG-data. På grund afde tekniske vanskeligheder, såsom manglende viden i spædbarn hoved ledningsevneværdier og tykkelsen af ​​kortikal sag, nøjagtig modellering af hovedet modellen er en vanskelig opgave. Er behov for yderligere undersøgelser for invasive regionale estimater væv ledningsevne hos spædbørn 24. Kortikale overflade segmentering af spædbarn MRI data udgør en yderligere udfordring grundet dårlig kontrast findes i billeder af den udviklende menneskelige hjerne 25. Fremtidig forskning er nødvendig for at løse disse problemer og anslå forskellige neurofysiologiske korrelater til spædbarn udvikling og adfærd.

Endelig kunne den foreslåede eksperimentelle protokol og metoder skal sættes i studiet af dem med udviklingsforstyrrelser såsom spædbørn med sandsynlig autisme spektrum forstyrrelse (ASF). I en sådan anvendelse, vil det være ønskeligt at inkludere en kontrolgruppe og egnede udviklingsmæssige vurderinger til at karakterisere de to grupper (kontrol og ASD). Til eksamenpel kunne en studiegruppe består af alle high-risiko (for ASF) spædbarn søskende vurderes med Autisme Diagnostic Observation Schedule 26, at symptom sværhedsgrad 27 og Mullen Scales of Early Learning 28 karakterisere generelle kognitive evner. Hvis tilgængelige, diffusions-vægtet MR-scanninger også ville være meget ønskeligt 29.

Acknowledgements

Dette arbejde blev støttet af Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Award # P01 HD064653-01. Indholdet er alene forfatternes ansvar og repræsenterer ikke nødvendigvis de officielle udsigt over NICHD eller National Institutes of Health.

Materials

Name Company Catalog Number Comments
BrainAmp Amplifier Brain Products, Gmbh
actiCAP EEG cap- 64 electrodes* Brain Products, Gmbh
actiCAP Control Box Brain Products, Gmbh
Brain Vision Recorder software v1.20.0601 Brain Products, Gmbh
actiCAP Control Box software v1.2.5.2 Brain Products, Gmbh
CapTrak Brain Products, Gmbh
CapTrak software v1.0.0 Brain Products, Gmbh
Opal movement monitor APDM, Inc
Opal docking station APDM, Inc
Opal wireless access point APDM, Inc
Motion Studio software v1.0.0.201503302222 APDM, Inc
Trigger box Custom
Video camera HC-W850M, Panasonic Co.
*The EEG caps come in the following head circumference sizes for infants: 42, 44, 46, 48, 50cm. For this protocol, a stock of 2 caps of each size is recommended. 

DOWNLOAD MATERIALS LIST

References

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369, (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73, (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22, (6), 593-608 (2011).
  4. GmbH Brain Products. actiCAP Operating Instructions. Version 006, Author. Munich, Germany. (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5, (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54, (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. Available from: http://jerlab.psych.sc.edu/NeurodevelopmentalMRIDatabase (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434, (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29, (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115, (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. 8 (2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34, (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114, (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8, (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. 5606-5609 (1109).
  22. Gramann, K., Jung, T. -P., Ferris, D. P., Lin, C. -T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8, (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26, (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. Autism Diagnostic Observation Schedule. Psychological Services. Los Angeles, Calif, Western. (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. Mullen Scales of Early Learning. AGS Edition, AGS Publishing. Circle Pines, Minn. (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169, (6), 589-600 (2012).

Comments

0 Comments


    Post a Question / Comment / Request

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

    Usage Statistics