A Novel Experimental och analytiskt förhållningssätt till Multimodal Neural avkodning of Intent Under social interaktion i fritt bete Human Spädbarn

1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering, University of Houston, 2Department of Biomedical Engineering, University of Houston, 3Department of Biology and Biochemistry, University of Houston
Published 10/04/2015
0 Comments
  CITE THIS  SHARE 
Behavior
 

Summary

Cite this Article

Copy Citation

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 av de grundläggande mänskliga kapacitet är förmågan att lära och distribuera åtgärder (åtgärdsproduktion) strategiskt i bruk mål och belöningar, förmågan att uppfatta målen för arbetsmarknadens parter (åtgärd förståelse) för att producera lämpliga sociala åtgärder, och förmågan att lära av andra genom observation och imitation 1. Den neurala basen för dessa kognitiv motorkapacitet har tillskrivits, åtminstone delvis, den så kallade spegelneuron-systemet; ett system som är tänkt att vara engagerad när man ser någon som utför en handling och när man utför åtgärden. Men den potentiella sambandet mellan spegelneuron-systemet och åtgärder förståelse ännu inte förstått ett. Studera uppkomsten och utvecklingen av denna spegel neuron systemet hos spädbarn har hämmats av a) de tekniska begränsningarna av multimodal datainsamling av hjärnans aktivitet korrelerade till uppsåt och finkornig rörelsedata, B) de begränsningar som experimentella protokoll som är onaturliga (t.ex. social interaktion med en agent som visas i ett videoband, behovet av att upprätthålla en ännu hållning för att minimera artefakter under elektroencefalografiska (EEG) inspelningar, etc), och c) kommunikation / språkbarriärer när man testar spädbarn / småbarn som kraftigt begränsar forskarens förmåga att ge instruktioner och validera beteenden.

För en bättre förståelse av olika neurala och beteende dynamik i naturliga beteende, har vi utvecklat en ny experimentell och analytisk metod som gör det möjligt för tidsupplöst undersökning av de neurala substrat av nya målmedvetna och sociala beteenden hos små barn. Specifikt utplacerade vi en EEG-baserad mobil hjärnavbildning (mobi) metod 2 för att spela in hjärnans aktivitet och rörelse från fritt beter spädbarn under interaktion med en försöks. Tröghetsmåttenheter (Imus) användes för att monMonitor föremål och försöks kinematik.

EEG teknik och tröghetssensorer användes för att studera neurala mönster och aktiveringar i samband med spädbarn agerande imitation och målmedvetna beteende i en oskriven interaktion med en försöks / skådespelare. Åtgärder som räckvidd-grepp, når erbjudande, observera, vila och utforska är alla en del av de kognitiva-motoriska processer i imitation. Dessutom använder vi käll uppskattningen att lokalisera generatorerna av elektriska potentialer i hjärnan under beteende uppgifter, och därmed studera Spatiotemporal dynamiken i neuronala strömmar hela hjärnan. På samma sätt som vi distribuerar maskininlärningsalgoritmer för att bedöma och mäta förutsägbarheten dessa beteende åtgärder genom att identifiera action relevant spatio-tidsmönster i neural aktivitet i sensor (EEG) och / eller käll utrymmen. Att integrera traditionell ERD / ERS, källa och avkodning analys ge en mer heltäckande UTVECKLINGtal beskrivning av neurala grunden för sådana beteenden.

Denna inställning tillät oss att utnyttja fördelarna med Mobi strategi 2,3 och studera de sociala interaktioner mellan barnet och försöksledaren, eftersom de förekommer naturligt utan restriktioner.

Protokollet, från det att ämnet kommer till den tid han / hon lämnar, tar ungefär en timme att slutföra. IMU / EEG ställtiderna och elektrod plats förvärv varierar från 15 till 25 minuter beroende på faktorer såsom hårlängd och samarbete i ämnet. Initieringen och konfigurationen av utrustningen uppgår till 10 minuter, och testsessionen varar ca 15 min. Borttagning av IMU och EEG mössa, inklusive rengöring huvudet av barnet från allergivänliga gel, tar 5-10 minuter.

Protocol

Följande protokoll har granskats och godkänts av Institutional Review Board vid University of Houston. Alla spädbarn personernas föräldrar eller vårdnadshavare emot, läsa och undertecknade ett medgivande före deltagandet. Föräldrar fått gratis parkering och en $ 20 presentkort som ersättning för sitt deltagande i studien, medan spädbarn valde en åldersanpassad leksak.

De rekryterade spädbarn ämnen uppfyllt följande kriterier: 1) Åldern mellan 6 och 24 månader. 2) Spädbarn var friska, hade normal tillväxt och utveckling, och hade ingen historia av förlossningen frågor, hjärnskakning, kramper, slaganfall, eller inlärningssvårigheter. Exempel på några vanliga utvecklingsstörning som skulle utesluta ett spädbarn från testning är underlåtenhet att frodas, undernäring, och användning av alkohol eller droger av modern under graviditeten.

Ett förenklat flödesschema för samtidig inspelning av multimodal neural aktivitet via hårbotten EEG ochIMU i fritt beter spädbarn visas i figur 1.

1. Informed Consent

  1. Visa föräldrar testrummet och kortfattat förklara syftet med försöket med dem.

2. hårbotten EEG Framställning

  1. Obs: Anläggning användes (Tabell 1) består av ett aktivt elektrodsystem med avtagbara elektroder. Impedansnivåerna anges på elektroderna med hjälp av lysdioder.
  2. Mät barnets huvud omkrets i cm. Placera ett måttband runt den bredaste delen av huvudet, passerar den över ögonbrynen och runt occipital framträdande på baksidan av huvudet.
    Obs: Mätning av huvudomfång är nödvändig för att välja en lämplig storlek EEG cap. Det finns särskilda storlekar för spädbarnspopulationen beskrivs i tabell 1.
  3. Placera elektroderna på en lämpligt dimensionerad EEG lock (tabell 1) som specificerats av10-20 internationella systemet. Locket säkerställer korrekt placering av elektroderna i hårbotten.
    OBS: Det är föredraget att ha locket redo när barnet kommer till studien plats. Information om huvudstorleken kan erhållas från föräldrarna innan tiden eller approximeras med hjälp av tabeller tillgängliga på nätet [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Om mätningen huvudet inte överensstämmer med forskarens approximation måste en ny mössa framställas. Om flera lock och elektroder finns tillgängliga, kan flera lock sättas upp i förväg för att minimera förberedelsetid.
  4. Förklara gelbildande förfarandet till föräldern. Visa dem trubbig nål och spruta används för att applicera gel på varje elektrod och låta dem känna nålen på deras hud. Använd en demo EEG elektrod och hårbotten lock för att gå över gelbildande förfarandet.
  5. Mät avståndet från nasion till Inion längs mittsagittalplan ytan i hårbotten. Fortsätt att passa scalp locket bakifrån barnet.
  6. Rikta in Cz elektroden med spetsen av huvudet. Fortsätt att inrikta och centrera PF1 och PF2 elektroder i pannan vid approximativt 10% av avståndet mellan nasion och Inion. Rikta hårbotten locket symmetriskt längs mittsagittalplan huvudet. Se till att mitten-elektroder [AFZ, FZ, FCZ, CZ, CPZ, Pz, Poz, Oz] är i linje med nasion och Inion. När du är klar, fast locket genom band under hakan.
    Notera: distrahera spädbarn medan han / hon håller på att förses med EEG lock. En åldersanpassade video används ofta för att distrahera spädbarn under installationen.
  7. Anslut referens, jord, och inspelningselektroderna till kontrollboxen. Slå på impedans indikatorer från kontrollboxen.
  8. Från och med mark- och referenselektroder, använd en liten spruta för att injicera elektrolyt gel in i utrymmet mellan hårbotten och elektroden tills impedansen hos varje elektrod åtgärder under 60 kQ. Detta är indicated med en gul eller grön lampa på elektroderna. Ytterligare uppgifter om EEG elektrod utformas finns i 4.
    Obs: Under gelbildande förfarandet, kan barnet röra hans / hennes huvud av olika skäl (nyfikenhet, rädsla, avledde uppmärksamheten). Det rekommenderas därför att den andra försöksledaren eller förälder fortsätter att distrahera barnet. Använd sprutorna från bakom barnets huvud för att undvika risken för att slå barnets ansikte med nålen på grund av oväntad rörelse hos patienten.
  9. Anslut förstärkarna till värddatorn via en USB-port med en fiberoptisk till USB konverterare.
    Obs: Figur 2A visar barnet omfattas installation med EEG locket och IMU placering. Lägg märke till att elektrodkablarna och kontrollboxen hålls upp, ger last fri rörlighet till ämnet. Figur 2B visar en topografisk bild av EEG cap på elektrodplaceringar efter systemets 10-20 märkning.

3. IMU Framställning

  1. Öppna IMU programvaran. Klicka på "Ny" på det grafiska gränssnittet.
  2. Klicka sedan på "Konfigurera" i dialogrutan för att konfigurera IMU. Ställ in samplingsfrekvensen till 128 Hz.
  3. Säkra IMU på huvudet, bröstet och vänstra och högra handleder barnet.
    Obs: Se figur 2A. Parallellt passa experimentet handleder med IMU. Kontrollera IMU är väl fäst vid kroppen för att minimera tröghets mätfel.
  4. Med hjälp av remmar, placera handleden IMU på ryggsidan av handlederna. Placera bröstet IMU på den ventrala ytan nära mitten av bröstkorgen med hjälp av en sele.
  5. Fäst huvudet IMU till hakan remmar i hårbotten locket så att den är nära den vänstra sidan av hakan. Placera IMU så att de står inför utåt, med LED-ljus orienterad upp.
    Obs! IMU varje väger ca 22 g, och deras ringa storlek och låg vikt är osannolikt att hindra movement. En ytterligare försöks kan behövas för att distrahera barnet skäl som beskrivs i steg 2,8.

4. Video Capture och synkronisering av dataströmmar

  1. Placera videokamera (18), så att spädbarnet (12), skådespelaren (14), och LED-avtryckaren (13) är alla klart synliga. Se Figur 4.
    Obs: Videoinspelningar används för att möjliggöra visuell anteckning och segmentering av beteenden som utlöses av försöksledaren, samt bekräftelse på början och slutet av inspelningen.
  2. Anslut trigg ingångs / utgångsutrymmet (7) till EEG (5) och IMU (4). Se figur 3.
    Obs: En anpassad input / output hölje (7), som visas i figur 3, har utformats för att rikta alla inspelade dataströmmar (EEG, Imus och video) och därmed använda händelsemarkörer från en inspelning (såsom video) eller underlätta analys en annan inspelning (t.ex. EEG eller acceleration). Detta åstadkommes genom användning av enenda momentan tryckknapp som, när deprimerad, kommer att skicka en active-low (+ V till jord) triggpuls till EEG (via en DB-25 parallellport), IMU (via en mini-DIN-6-kontakt) och video (med belysning av en Ijusemitterande diod (LED) som är placerad med hänsyn till den videokamera) inspelningar samtidigt. En 7404 IC logik invertor chip användes för att transformera den låga-state (jord) till en hög tillstånd (+ V) puls, ger spänningspotentialen behövs för att driva LED.
  3. Har du ett försöks i närheten av utlösningsknappen och datainsamlings datorn. Försöksledaren är ansvarig för driften av avtryckaren, övervaka datakvaliteten under hela experimentet, och spara data.

5. Beredning av Testmiljö

  1. Se Figur 4.

6. Datainsamling

  1. Spela de initiala impedansvärdena av EEG-elektroderna med hjälp av styrmjukvaran genom att välja "impedansKontrollera "-fliken, klicka på alternativknappen" Impedans On "(vänta ungefär 5 sekunder för elektrod impedansvärden att stabilisera), och klicka på" Spara impedans "knappen för att spara impedanser. Se figur 5.
  2. Inga filter tillämpas under EEG datainsamling.
  3. I EEG-inspelaren programmet, klicka på "Monitor" och sedan "Play" för att starta omkodning EEG-data. Se figur 6.
  4. I IMU programmet att börja spela in IMU uppgifter klickar du på "Stream" och sedan "Record" i dialogrutan. Se figur 7.
  5. Applicera tre utlösare (III) för att signalera starten av experimentet med tryckknappen på ingångs / utgångsutrymmet (7). Låt barnet vila 1 min under inspelningen. Detta ger första referensdata.
  6. Utför experimentet och låta barnet föremål ta pauser som behövs. Varje experiment rättegång består av en turtagningen uppgift där skådespelare visaren åtgärd för spädbarnet med användning av ett objekt (vanligen, men inte alltid, en leksak), passerar den till spädbarnet i ett försök att initiera en imitation svar, och slutligen hämtar objektet tillbaka från spädbarnet.
    Obs: Detta utbyte är i allmänhet upprepas för 4-5 försök eller tills barnet visar inget intresse av objektet.
  7. Med tanke på miljön av sessionen, kommentera alla tidpunkterna för varje beteende efter datainsamling med hjälp av videoinspelning.
  8. Anteckna de slutliga impedansvärdena hos EEG-elektroder. Se steg 6,1.
  9. Digitalisera 3D rumsliga koordinaterna för EEG-elektroderna med hjälp av EEG elektrod 3D-scanner och programvara och dess motsvarande program.
  10. Starta 3D skanningsprogrammet. Gå till "File" och välj "ny arbetsyta". Ladda elektrodläget filen i den första fliken i arbetsytan och ge nödvändig information på fliken lagring.
  11. I skannings verktygsfältet, klicka på "stjärnat scanning ". Använd 3D-scanner, på cirka 30 cm från barnets huvud, för att skanna elektrod platser genom att följa de förändrade ljusmönster på locket. När skanningen är klar, kommer programmet automatiskt spara resultaten.
    Anm: På baksidan av huvudet, kan kablarna blockera lysdioder på elektrod grund av den ringa storleken av barnets huvud. Mjukvaran gör det möjligt för användaren att ta bort några elektroder från skanningen utan att kompromissa med resultaten. Avlägsna occipital elektroderna från genomsökningen om det behövs.

7. Behavioral Segmente

  1. Inspektera videoinspelning av experimentet sessionen och markera tiden när avtryckaren blinkar (dvs när experimentet börjar och slutar), och när någon av de tidigare nämnda beteenden i steg 6,6 början och slut.

8. Källa Imaging

  1. Obs: Source avbildning kan korrekt identifiera generatorerEEG potentialer i hjärnan och består vanligen av att lösa framåt och det omvända problemet 5.
  2. Förvärva vägda magnetresonanstomografi (MRT) uppgifter Högupplöst T1 från databaser public domain såsom Neuropsykiatriska störningar MRI databas som innehåller genomsnittliga MRI mallar som en funktion av ålder (i månader) för de första två levnadsåren 6,7.
    Obs: Denna studie använder bara åldersanpassade fram huvudet modeller av spädbarn och därmed informations kön inte beaktas vid val av MR-mall).
  3. Skaffa källvolymerna för gräns element modeller (BEM) som innehåller huvudfack (dvs grå, vit substans, hårbotten, inre eller yttre skalle) som MRI Volymerna från Neuropsykiatriska störningar MRI-databasen 8.
  4. Pre-process BEM MRI volym för att erhålla en realistisk huvud modell genom att extrahera ytan av hjärnan och huvudfack i Curry 7, eller liknande hjärn bildbehandling.
  5. Importera T1 viktade MRI. Manuellt identifiera de tre referenspunkter som höger / vänster pre-auricular poäng och nasion i hjärnan bildprogram, eller liknande paket.
  6. Co-registret EEG och MRI utrymme för att få den stela geometriska omvandlingarna mellan MRI utrymme och motivets utrymme genom att montera de referenspunkter som anges på MRI och referenserna som erhållits med 3D-scanner i steg 6.9-6.11 hjälp av hjärnavbildning programvara eller liknande paket.
  7. Lös framtida modellen.
    Obs: Den främre problemet involverar definitionen av ett huvud modell som representerar geometrin av huvudet och av de elektriska ledningsegenskaperna hos huvudet volym 9,10.
  8. Lös det omvända problemet
    Obs: Det inversa problemet försöker att sluta sig till en plats, styrka och ett tidsförlopp för en källa i hjärnan från hårbotten EEG-signaler med hjälp av signalbehandlingstekniker 11.
  9. Segment kontinuerligEEG data i rättegångar kring uppgiften debut (t ex., Imitation, observationssegment) med före och efter uppgift debut segment av 2 sek längd. Identifiera kanaler med hög impedans som "dåliga kanaler" och andra artefaktuella försök i varje försök. Pre-process data EEG för artefakt avvisande använder ICA och rekonstruera de dåliga kanaler med genomsnittet av grannartefaktfria kanaler. 12,13,14.
  10. Använd framtida modellen som ett bidrag till en automatiserad optimeringsalgoritm som söker över hela hjärnan för att identifiera de bästa möjliga käll platser.
  11. Visuellt analysera de beräknade källorna och plocka upp de lösningar som mest matchar dina förväntningar som bygger på förkunskaper från den typ av experiment och tolka dem noga.
    Obs! Det här steget är det mest partisk en följd av den dåliga ställde natur inversa problemet, det vill säga olika konfigurationer av källorna kan resultera i samma ytpotentialer. DärförKan det vara till hjälp att göra en förstånd kontroll för att verifiera att en given huvud modell och invers metod fungerar bra.
  12. Utför en sanity check, lokalisera en känd simulerad dipol. Nämligen för givet huvud modell plats en dipol med känd konfiguration och lösa framåt problem att få simulerade spänning för dipol.
  13. Lös det omvända problemet med dessa spänningar på samma huvud modell, för att kontrollera att den återgår de simulerade dipolerna.
    Obs! Dessa rimlighetskontroller ska returnera dipolerna ursprungligen placerade med en hög grad av noggrannhet.

Representative Results

Figur 8 visar prov EEG och accelerationsdata från IMU för ett tidsfönster 16 sek registrerats under interaktion mellan ämnet och försöksledaren. EEG data nya prov vid 100 Hz och sedan bandpass filtrerad [1-40 Hz] med en 3: e ordning, noll-fas Butterworth-filter. Kanaler med hög impedansvärdena (Z> 60 kohm), och perifera kanaler, kastades 12,15. Den IMU inspelade nio signaler vid 128 Hz: magnetiskt flöde, vinkelhastighet, och linjär acceleration i de tre rätvinkliga axlarna. Här visar vi storleken på gravitationskompenserade (GC) acceleration. Effekten av tyngdaccelerationen kompenserades genom att applicera ett Kalman-filter för att förutsäga IMU orientering i en global ram 16. Data segmenterad genom visuell inspektion av videoinspelningar (steg 7,1). Vertikala heldragna linjer indikera början av ett beteende av intresse, som prickade vertikala linjer representerar slutet av händelsen.

som visas i figur 8 runt 709s. Det unconstrained metod för datainsamling i denna experimentella protokoll gör EEG-data är mottagliga för ögat blinkar, ögonrörelser, rörelse och elektromyografi artefakter. Den data förbehandlade med hjälp av en 3: e ordning noll-fas Butterworth-bandpassfilter för att begränsa den till delta-bandet (1-4Hz), och standardiseras genom att subtrahera medelvärdet och divideras med standardavvikelsen. Hög amplitud artefakter avlägsnades automatiskt med hjälp av Artifact Subspace Removal (ASR) metoden 17. Dessutom är perifera kanaler undantas från dataanalysen i ett försök att minimera myoelektriska förorening artefakt. Frontalis och temporalis muskelsammandragningar samman med EEG-signalen framförallt på perifera lägen: frontalis kontraktion dyker upp i främre platser, och temporalis kontraktion dyker upp i sidled frontal och temporal platser 15.

Att inspektera vilken typ av uppgifter som insamlats med detta protokoll, har EEG-data histogram ritas i figur 9. I figur 9A, beskriver det datadistribution av standardiserade signalen från tre rumsligt representativa elektroder. EEG-data visar en multimodal fördelning för de analyserade beteenden. I figur 9B kurtosis värden presenteras som stapeldiagram för enklare visuell inspektion av data.

Klassificering utfördes genom att extrahera tidsbaserade fördröjningar för varje EEG-kanal, vilket minskar dimensionalitet samtidigt som den lokala spridningen av varje klass (Local Fishers diskriminantanalys (LFDA)) 18, och utbildning / testa en modell av den reducerade uppsättning funktioner (Gauss Blandning modeller (GMM)) 19. Träning / testprover slumpmässigt under hela prov 20 iterationer (dvs korsvalidering) för att förhindra varje over-fitting.Training/testing~~V provstorleken varierar med tanke på antalet avvisade kanaler (dvs, impedans större än 60 kHz), längd experiment session, och antalet försök och beteenden uttryckt. Men antalet utbildningsplatser och testprover som används för varje klass (beteende) motsvarar 50% av de minst befolkade klassen. Som ett exempel, testuppsättning storleken på varje klass är N = 1,069 prover för spädbarn data som visas i figur 10. Alla före bearbetning och klassificeringsstegen beräknades under MATLAB programmeringsmiljön.

Figur 11 visar hela förfarandet för EEG-källa uppskattning utförs i denna studie i en steg-för-steg-sätt. Mer information om varje steg också sammanfattas i avsnitt 8.

Figur 12 visar resultaten av händelse med anknytning (de) synkronisering (ERD / ERS) i mu rytm (5-9 Hz) och dipol källor under "Reach-erbjudande1; uppgift. ERS och ERD beräknades som den procentuella andelen av en minskning eller ökning i frekvens band makt som inträffar under evenemanget (nå och erbjuda uppgift) intervall jämfört med referensintervallet (ett segment tas före händelsen). Denna figur visar även gravitationskompenserad magnitud acceleration erhållits under uppdraget från båda handlederna av spädbarnet och skådespelare. För en dipol analys av EEG-signaler var sönder med hjälp av oberoende komponent analys (ICA) för att eliminera bakgrundsljud. Käll uppskattningen utfördes i mu rytmen efter ICA förbehandling via en fast MUSIK algoritm 5. Som väntat var de källor lokaliserade över den högra primära motoriska området medan ämnet använde sin vänstra hand för att ta tag i objektet.

actiCAP EEG Cap- 64 elektroder *
produktnamn Företag Kvantitet
BrainAmp Förstärkare Brain Products, Gmbh 2
Brain Products, Gmbh 10
actiCAP kontrollboxen Brain Products, Gmbh 1
Brain Vision Recorder programvara Brain Products, Gmbh 1
actiCAP kontrollboxen programvara Brain Products, Gmbh 1
CapTrak Brain Products, Gmbh 1
CapTrak programvara Brain Products, Gmbh 1
Opal rörelse monitor APDM, Inc 6
Opal dockningsstation APDM, Inc 6
Opal trådlös åtkomstpunkt APDM, Inc 1
Förslag Studio APDM, Inc 1
Triggerlåda Anpassad 1
Videokamera HC-W850M, Panasonic Co. 1
* EEG caps finns i följande huvudomfång storlekar för spädbarn: 42, 44, 46, 48, 50 cm. För detta protokoll är ett lager av 2 lock av varje storlek rekommenderas.

Tabell 1 Equipment.

Figur 1
Figur 1. Flödesdiagram. (A) flödesschema för experimentet. (B) Flödesschema av datainsamlingssessionen. Klicka här för att se en större version av denna siffra.

Figur 2
Figur 2. Med förbehåll sETUP och redo för datainsamling. (A) Frontal utsikt över motivet bär EEG mössa, och fyra IMU. (B) topografiska representation av 64 kanalen EEG lock genom att använda 10-20 standardelektrod positioneringssystem. Klicka här för att se en större version av denna figur.

Figur 3
Figur 3. Datainsamling utrustning och provningsrummet. (A) Insamling av data installation av utrustningen: EEG styrbox (1), EEG cap (2), avtryckaren (3), trådlös IMU datamottagare (4), EEG förstärkare (5), leksakslådan (6), utlösa tryckknapp (7), datainsamlings bärbara datorer (8), IMU dockningsstation (9). (B) Närbild av EEG mössa, aktiva elektroderna och kontrollboxen. (C) Närbild av IMU och trådlös mottagare, trigge r tryckknapp, EEG förstärkare och datainsamlings bärbara datorer. Klicka här för att se en större version av denna siffra.

Figur 4
Figur 4. Schematisk representation av experimentella inställning. EEG-styrbox hållaren (10). Angående vårdnadshavare sitter på stol (11), sitter försöks på stol (14) och den person som övervakar data sitter på stol (17). Resten av experimentuppställning visas. Interaction bords (12), avtryckaren (13), leksakslådan (15), datainsamlingstabellen (16), videokamera placering (18) Klicka här för att se en större version av denna figur.

"Src =" / filer / ftp_upload / 53406 / 53406fig5.jpg "/>
Figur 5. Skärmdump av styrmjukvaran EEG. Pilarna pekar på de viktigaste ikonerna i programvaran som beskrivs i steg 6,1 och 6.8. Klicka här för att se en större version av denna siffra.

Figur 6
Figur 6. Skärmdump av EEG inspelningsprogrammet. Pilarna pekar på de viktigaste ikonerna i programvaran som beskrivs i steg 6.2 och 6.3. En del av live-streaming rådata visas. Klicka här för att se en större version av denna siffra.

pg "/>
Figur 7. Skärmdump på IMU programvaran. De röda lådor belysa de viktigaste ikonerna i programvaran som beskrivs i steg 6.4. (A) Huvudfönster kommando. (B) konfigurationsfönstret. (C) inspelningsfönstret. Klicka här för att se en större version av denna siffra.

Figur 8
Figur 8. Exempel på uppgifter från ett representativt experimentell session. (A) EEG och accelerationsdata visas, både bandpass filtrerad [1-40Hz]. EEG elektroder med låg impedans (Z <60 kW) under hela sessionen visas. Fasta vertikala linjer anger beteende debut (B) Stillbild representationer av barnet engagerade i beteenden analyse. Observera, Reach-grepp, Reach-erbjudande, Imitate, utforska, vila. Klicka här för att se en större version av denna siffra.

Figur 9
Figur 9. Exempel på histogram av EEG amplitud för sex beteenden identifierats. A) De data som visas motsvarar rådata från tre elektroder (CP2, FC5, POZ) registrerats i en session med en 20-månader gammalt spädbarn. De histogram skalas till det högsta antalet händelser och kurtosis av varje histogram visas till höger om varje tomt. Lägg märke till multimodal fördelning för de flesta av de beteenden. B) Kurtosis av provdata för varje beteende. Klicka här för att se en större version av denna siffra.


Figur 10. EEG förutspår beteende åtgärder i fritt beter spädbarn 12. Ett prov förvirring matris för klassificering noggrannhet för 20 månader gammalt spädbarn visas. Den totala avkodning noggrannhet visas på det nedre högra hörnet. Klicka här för att se en större version av denna siffra.

Figur 11
Figur 11. Källa Lokalisering. Åtgärder krävs för ett spädbarn dipolen källa lokalisering med hjälp av en anatomisk MRI och en funktionell EEG-data. Klicka här för att se en större version av denna bildURE.

Figur 12
Figur 12. Reach-erbjudande uppgiftsanalys profil. A) Ögonblicksbilder av ett spädbarn som utför "Reach-erbjudande" uppgift. B) Mean Global Field Power of EEG i Mu band (5-9 Hz), de lem rörelse banor av barnet och skådespelaren; grand genomsnitt händelse med anknytning spektrala störning från alla kanaler. C) Lokaliserad dipol källor för två händelser av "Movement debut" och "Movement tillägg". Klicka här för att se en större version av denna siffra.

Discussion

Protokollet som beskrivs presenterar en metod för att samla in data från fritt beter spädbarn medan de interagerar med en försöks i realtid. Den sysselsätter mobil hjärnavbildningsteknik (hårbotten EEG) för att fånga neural aktivitet samtidigt inspelning kinematiska data med IMU på strategiska kroppslokaliseringar. Experimentet session registreras också av en videokamera. De tre dataregistreringssystem synkroniseras med hjälp av en anpassad utlösande systemet.

EEG och IMU systemet fastspänd på ämnet som han / hon röra sig fritt under försöket sessionen. De IMU måste spännas fast ordentligt för att kunna fånga kinematik korrekt. För att säkerställa full obegränsad rörlighet i ämnet, har utrustning för att vara så minimalt påträngande som möjligt; därmed användningen av hållaren för att stödja EEG: s elektrodkablar och kontrollboxen EEG. Försöks samverkar sedan med spädbarnet i ungefär 15 minuter. Den Infant kommer att framkalla en åldersberoende repertoar av beteenden under interaktionen. Dessa inkluderar vila, når-grepp, når erbjudande, utforska, observera och imitera. Dock kommer vissa barn vara ovilliga att samarbeta i sessionen på grund av trötthet, bristande komfort eller stress. Se till att planera experimentet när barnet är mest dynamiska och aktiva för att förhindra förekomsten av negativa svar från honom / henne.

Den typ av experiment utgör en risk för kvaliteten på de uppgifter som registrerats under hela sessionen. Därför är det viktigt att testa alla anslutningar och datakvaliteten innan du startar inspelningen, och att övervaka dem kontinuerligt under sessionen. Om uppgifterna Anläggning inte spelar in kvalitetsdata, stoppa programmet och dra alla anslutningar. Innan du startar programvaran eller ansluta utrustningen tillbaka till den bärbara datorn, ta bort alla tänkbara bullerkällor (dvs. nätaggregat) från närheten till inspelning hårdvara. EEG hårdvara inkluderar signalförstärkare som kan plocka upp omgivningsbuller om de placeras nära elektriska bullerkällor. För IMU mottagaren, se till att det inte finns någon inblandning i siktlinjen mellan mottagaren och experiment och spädbarn.

Denna experimentuppställning har hög temporal upplösning neurala data genom mätning av elektrisk aktivitet vid ytan av hårbotten. Nyligen genomförda studier har visat att möjligheten att utnyttja dessa signaler, tillsammans med hela kroppen kinematik, för att identifiera klassificeras information uttrycksfulla rörelser 20, och funktionella rörelser 21,22, vilket tyder på att den föreslagna datainsamling strategi skulle kunna leda till en bättre förståelse av neurala grundval av imitation hos spädbarn.

Nya bidrag presenterar kraftfulla maskininlärningsalgoritmer som tillämpas på hjärnan dynamik 13,20,21 bygger en växande verktygslåda för att studera ytpotentialer i mer naturligt sebeslag. Detta föreslagna upplägget ger ett spektrum av möjligheter för forskningsfrågor som skall behandlas 2,22. I synnerhet kan det användas till forskning inriktad på a) förstå neurala grunden för kognitiv motoriska utveckling av spädbarn som grundar sig på en stor population av ämnen; b) förstå neurala grunden för barnets avsikt i insatser och sammanhang ", som bör vara förutsäga den inkommande beteende åtgärder; c) kvantifiera gemensamma och unika neurala mönster att karakterisera individualitet och variation i den växande hjärnan; och d) att studera framväxten av imitation och lärprocesser. Dessa mål innebär utbyggnaden av maskininlärning algoritmer som kan hantera statistiskt rika uppgifter både i informativa hjärn ursprung potentialer och rörelse eller muskelartefakter 12,20,23.

Denna studie försöker uppskatta kortikala källor och elektriska fält potentialer med hjälp av spädbarn EEG-data. På grund avde tekniska svårigheterna såsom brist på kunskap i modersmjölks huvud konduktivitetsvärden och tjocklek på kortikal materia, är noggrann modellering av huvud modell en svår uppgift. Ytterligare studier behövs för icke-invasiv regionala vävnads konduktivitet uppskattningar i spädbarn 24. Kortikala ytan segmentering av spädbarn MRI data är ytterligare en utmaning på grund av den dåliga kontrasten finns i bilder av att utveckla den mänskliga hjärnan 25. Det behövs framtida forskning att ta itu med dessa problem och uppskatta olika neurofysiologiska korrelat till barnets utveckling och beteende.

Slutligen skulle den föreslagna försöksprotokoll och metoder sättas i studien av dem med utvecklingsstörning som spädbarn med trolig autismspektrumstörning (ASD). I en sådan tillämpning skulle det vara önskvärt att inkludera en kontrollgrupp och lämpliga bedömningar utvecklings att karakterisera de två grupperna (kontroll och ASD). För examenpel, en studiegrupp kan bestå av allt hög risk (för ASD) spädbarn syskon bedömas med ados 26, på symtomens svårighetsgrad 27 och Mullen Scales of Early Learning 28 karakterisera allmän kognitiv förmåga. Om tillgängliga, diffusion vägda MRT skulle också vara mycket önskvärt 29.

Acknowledgements

Detta arbete stöddes av Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Award # P01 HD064653-01. Innehållet är ensamt ansvarig för författare och inte nödvändigtvis representerar officiella ståndpunkter 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.

    Video Stats