A Novel Experimental og analytisk tilnærming til Multimodal Neural dekoding av Intent Under sosial samhandling i Fritt-oppfører menneske Spedbarn

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 grunnleggende menneskelige evner er evnen til å lære og implementere tiltak (tiltak produksjon) strategisk i tjeneste av mål og belønninger, evnen til å pågripe målene i arbeidslivet (handling forståelse) for å produsere passende sosiale tiltak, og evnen å lære av andre gjennom observasjon og imitasjon en. Det nevrale grunnlag av disse kognitiv motoriske evner har blitt tilskrevet, i det minste delvis, til den såkalte speil neuron-systemet; et system som er tenkt å være engasjert når man ser noen utføre en handling, og når man utfører handlingen. Men potensialet koblingen mellom speilnevroner system og handling forståelse er ennå ikke godt forstått en. Studere fremveksten og utviklingen av dette speilnevroner system i menneskebarn har blitt hemmet av a) de tekniske begrensningene i multi-modal datainnsamling av hjernens aktivitet korrelerte til hensikt og finkornet motion data, B) de begrensninger som følger av eksperimentelle protokoller som er unaturlige (f.eks sosial interaksjon med en agent avbildet i en videotape, behovet for å opprettholde en fortsatt holdning for å minimere gjenstander under (EEG) innspillinger, etc.), og c) kommunikasjon / språkbarrierer ved testing av små spedbarn / småbarn som i stor grad begrenser forskerens evner å gi instruksjoner og validere atferd.

For en bedre forståelse av varierende nevrale og dynamikk atferds i naturlig atferd, har vi utviklet en ny eksperimentell og analytisk tilnærming som gjør at tids løst studie av nevrale substrater av nye målrettede og sosial atferd hos små barn. Spesielt vi utplassert en EEG basert mobil hjernen imaging (Mobi) tilnærming to til posten hjernens aktivitet og bevegelse fra fritt-oppfører spedbarn under interaksjon med en eksperimentator. Treghet måleenheter (Imus) ble brukt til å monMonitor lagt og eksperimentators kinematikk.

EEG-teknologi og treghetssensorer ble brukt til å studere nevrale mønstre og aktiveringer knyttet til spedbarn 'handling imitasjon og målrettet atferd i en unscripted interaksjon med en eksperimentator / skuespiller. Handlinger som rekkevidde-grep, nå-tilbud, observere, hvile, og utforske er alle en del av de kognitive-motoriske prosesser involvert i imitasjon. Videre bruker vi kilde estimering for å lokalisere generatorer av elektriske potensialer i hjernen i løpet av de atferdsmessige oppgaver, for derved å studere tid og rom dynamikken i neuronal strømmer gjennom hjernen. Tilsvar vi distribuere maskinlæringsalgoritmer for å vurdere og måle forutsigbarheten i disse atferds handlinger ved å identifisere handlingsrelevant rom-tid-mønstre i nevrale aktiviteten i sensor (EEG) og / eller kilde mellomrom. Integrering tradisjonelle ERD / ERS, kilde og dekoding analyse gi en mer helhetlig developmental beskrivelse av nevrale grunnlag av slike atferd.

Dette oppsettet tillatt oss å utnytte fordelene av Mobi tilnærming 2,3 og studere de sosiale samspillet mellom barnet og eksperimentator som de oppstår naturlig uten restriksjoner.

Protokollen, fra det tidspunkt gjenstand kommer til den tid han / hun forlater tar ca. 1 time å fullføre. IMU / EEG setup tid og elektrode plassering oppkjøp varierer 15-25 min avhengig av faktorer som hårlengde og samarbeid i faget. Initialisering og konfigurasjon av utstyret legger opp til 10 min, og testing økt varer ca 15 min. Fjerning av Imus og EEG cap, inkludert rengjøring hodet av spedbarn fra hypoallergisk gel, tar 5-10 min.

Protocol

Følgende protokoll ble undersøkt og godkjent av Institutional Review Board ved Universitetet i Houston. Alle baby fagenes foreldre eller foresatte mottatt, lest, og signerte en samtykkeerklæring før deltakelse. Foreldrene fikk gratis parkering og en $ 20 gavekort som kompensasjon for deres deltakelse i studien mens spedbarn valgte en alderstilpasset leketøy.

De rekrutterte baby fagene møtte følgende kriterier: 1) Alder mellom 6 og 24 måneder. 2) Infant var frisk, hadde normal vekst og utvikling, og hadde ingen historie med natal problemer, hjernerystelser, kramper, slag eller lærevansker. Eksempler på noen vanlige utviklingshemming som ville utelukke et spedbarn fra testing er unnlatelse av å trives, underernæring, og bruk av alkohol eller narkotika av moren under svangerskapet.

En forenklet flytdiagram for samtidig opptak av multimodale nevrale aktiviteten via skalp EEG ogImus in fritt oppfører spedbarn er presentert i figur 1.

1. informert samtykke

  1. Vis foreldre forsøksrommet og kort forklare hensikten med forsøket til dem.

2. Scalp EEG Forberedelse

  1. Merk: EEG-system anvendt (tabell 1) består av et aktivt elektrodesystem med utskiftbare elektroder. Impedans nivåer indikeres på elektrodene som bruker lysdioder.
  2. Mål barnets hodeomkrets i cm. Plasser et målebånd rundt den bredeste delen av hodet, passerer det over øyenbrynene og rundt occipital prominence på baksiden av hodet.
    Merk: Måling av hodeomkrets er nødvendig for å velge en passe stor EEG cap. Det er spesielle størrelser for spedbarn befolkningen er beskrevet i tabell 1.
  3. Plasser elektroder på en passende dimensjonert EEG hette (tabell 1) som angitt av10-20 internasjonale systemet. Hetten sikrer riktig plassering av elektrodene i hodebunnen.
    Merk: Det er å foretrekke å ha lokket klar av tiden barnet kommer til studiested. Informasjon om hodestørrelse kan fås fra foreldrene før tiden, eller tilnærmes ved hjelp av tabeller tilgjengelig på nettet [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Hvis hodet målingen ikke svarer til forskerens tilnærming, må være forberedt på en ny cap. Hvis flere caps og elektroder er tilgjengelig, kan flere caps settes opp på forhånd for å minimere forberedelsestid.
  4. Forklar geleringsprosedyren til den overordnede. Vis dem butt nål og sprøyte brukes til å gjelde gel til hver elektrode og la dem føle nålen på huden deres. Bruk en demo EEG elektrode og hodebunn cap til å gå over geleringsprosedyren.
  5. Mål avstanden fra nasion til inion langs midsagittal planet av overflaten av hodebunnen. Fortsett å passe scalp cap fra bak spedbarn.
  6. Juster Cz elektroden med toppunktet på hodet. Fortsett å justere og midt FP1 og FP2 elektroder på pannen på ca 10% av avstanden mellom nasion og inion. Juster hodebunnen hetten symmetrisk langs midsagittal planet av hodet. Sørg for at midten av elektroder [AFZ, FZ, FCZ, CZ, CPZ, Pz, Poz, Oz] er på linje med nasion og inion. Når du er ferdig, feste hetten ved stropping under haken.
    Merk: Distrahere barnet mens han / hun blir utstyrt med EEG cap. En passende alder video er vanlig å distrahere spedbarn under installasjonen.
  7. Koble referanse, bakken, og opptaks elektroder til kontrollboksen. Slå på impedans indikatorer fra kontrollboksen.
  8. Fra og med bakken og referanseelektroder, bruke en liten sprøyte til å injisere gel elektrolytt inn i rommet mellom hodebunnen og elektroden til impedansen av hver elektrode måler over 60 kohm. Dette er indicated av en gul eller grønn lampe på elektrodene. Nærmere om EEG elektrode forberedelse er tilgjengelig i fire.
    Merk: Under geleringsprosedyren, kan barnet flytte hans / hennes hode av ulike grunner (nysgjerrighet, frykt, viderekoblet oppmerksomhet). Det anbefales derfor at andre eksperimentator eller forelder fortsetter å distrahere barnet. Bruk sprøyter fra bak barnets hode for å unngå risikoen for å treffe barnets ansikt med nålen på grunn av uventet bevegelse av faget.
  9. Koble forsterkerne til verts-PC via en USB-port ved hjelp av en fiberoptisk til USB converter.
    Merk: Figur 2A viser spedbarn lagt oppsett med EEG cap og IMU plassering. Legg merke til at elektrodekabler og kontrollboksen er holdt opp, og gir last fri bevegelighet for faget. Figur 2B viser et topografisk visning av EEG cap sin elektrode steder etter den 10-20 merkeordningen.

3. Imus Forberedelse

  1. Åpne IMU programvare. Klikk på "Ny" på det grafiske grensesnittet.
  2. Klikk deretter på "Konfigurer" i dialogboksen for å konfigurere Imus. Angi at samplingsfrekvensen til 128 Hz.
  3. Fest Imus på hodet, brystet og venstre og høyre håndledd av spedbarn.
    Merk: Se figur 2A. Parallelt passe eksperimentet håndledd med Imus. Sørg for Imus er sikret godt til kroppen for å redusere treghet målefeil.
  4. Ved hjelp av stropper, plasserer håndleddet Imus på ryggsiden av håndleddene. Plasser brystet IMU på ventral overflaten nær sentrum av brystet ved hjelp av en sele.
  5. Fest hodet IMU til haken stropper av hodebunnen cap slik at det er i nærheten av venstre side av haken. Plasser Imus slik at de vender utover, med LED-lys orientert opp.
    Merk: Imus hver veier ca 22 g, og sin lille størrelse og lav vekt er usannsynlig å hindre movement. En ekstra forsøket, kan være nødvendig for å avlede spedbarn av grunner som er beskrevet i trinn 2,8.

4. Video Capture og synkronisering av data Streams

  1. Sted videokamera (18) slik at barnet (12), aktøren (14), og LED-trigger (13) alle er godt synlig. Se figur 4.
    Merk: Videoopptak brukes til å tillate visuell annotering og segmentering av atferd som utløses av eksperimentator, samt bekreftelse på begynnelsen og slutten av innspillingen.
  2. Koble trigger-inngang / utgang kabinett (7) for å EEG (5) og Kongsberg (4). Se figur 3.
    Merk: En tilpasset input / output kabinett (7), vist i figur 3, er designet for å samkjøre alle registrerte datastrømmer (EEG, Imus, og video) og dermed bruker hendelsesmarkører fra ett opptak (som video) eller hjelpe analyse av en annen opptaks (slik som EEG eller akselerasjon). Dette oppnås ved hjelp av enenkelt momentant trykknapp at når deprimert, vil sende en aktiv-lav (+ V til Ground) triggerpuls til EEG (via en DB-25 parallellport), IMU (via en mini-DIN-6-kontakt), og video (ved belyser en light-emitting diode (LED) plassert i visningen av videokameraet) opptak samtidig. En 7404 IC logikk invertor chip ble brukt til å transformere lav-state (jord) til en høy-state (+ V) puls, og gir spenningspotensialet som trengs for å drive LED.
  3. Har du en eksperimentator i umiddelbar nærhet til avtrekkeren trykknapp og datainnsamling datamaskinen. Eksperimentator er ansvarlig for drift av avtrekkeren, overvåke datakvalitet gjennom hele eksperimentet, og lagre data.

5. Utarbeidelse av testmiljøet

  1. Se figur 4.

6. Datainnsamling

  1. Registrere de første impedansverdier av EEG-elektroder ved hjelp av styreprogramvaren ved å velge "ImpedanceSjekk "fanen, klikke alternativknappen" Impedans On "(vent ca 5 sek for elektrode impedansverdiene å stabilisere), og klikke på" Lagre impedans "-knappen for å lagre impedanser. Se figur 5.
  2. Ingen filter er brukt under EEG datainnsamling.
  3. I EEG-opptakeren programmet, klikk på "Monitor" og deretter "Play" for å starte omkoding EEG data. Se figur 6.
  4. I IMU programvaren, klikk på "Stream" og deretter "Record" i dialogboksen for å starte innspillingen IMU data. Se figur 7.
  5. Anvende tre triggere (III) for å signalisere starten av forsøket ved hjelp av trykknappen på input / output kabinett (7). La barnet hvile i 1 min mens du tar opp. Dette gir innledende baseline data.
  6. Utfør eksperimentet og la barnet gjenstand ta pauser etter behov. Hvert forsøk rettssaken består av en turn-taking oppgave der skuespiller showen handling for barnet ved hjelp av en gjenstand (vanligvis, men ikke alltid, et leketøy), sender den til barnet i et forsøk på å sette i gang en etterligning reaksjon, og endelig henter gjenstanden tilbake fra spedbarn.
    Merk: Denne utvekslingen er generelt gjentas for 4-5 prøvelser eller inntil barnet viser ingen videre interesse i objektet.
  7. Gitt miljøet av økten, kommentere alle timing av hver oppførsel etter datainnsamling ved hjelp av videoopptak.
  8. Registrere de endelige impedansverdier av EEG-elektroder. Se trinn 6.1.
  9. Digitalisere 3D romlige koordinatene til EEG elektroder ved hjelp av EEG elektrode 3D-skanner og programvare og dens tilhørende programvare.
  10. Starte 3D-skanning programvare. Gå til "File" og velg "nytt arbeidsområde". Laste elektroden posisjon filen i den første kategorien av arbeidsområdet og gi nødvendig informasjon i kategorien lagring.
  11. I verktøylinjen skanning, klikk på "stjernet scanning ". Bruk 3D-scanner, på ca 30 cm fra barnets hode, å skanne elektrode steder ved å følge de skiftende lys mønstre på hetten. Når skanningen er fullført, vil programvaren automatisk lagre resultatene.
    Merk: På baksiden av hodet, kan kablene blokkere lysdioder på elektrodene på grunn av den lille størrelsen på barnets hode. Programvaren gjør det mulig for brukeren å fjerne noen elektroder fra skanningen uten å svekke resultatene. Fjern de oksipitalelektrodene fra skanningen hvis det er nødvendig.

7. Behavioral Segmentering

  1. Inspisere videoopptak av eksperimentet session og merk den tiden da trigger LED blinker (dvs. når eksperimentet begynner og slutter), og når noen av de tidligere nevnte atferd i trinn 6,6 start og slutt.

8. Source Imaging

  1. Merk: Source bildebehandling nøyaktig kan identifisere generatorer avEEG-potensialer i hjernen og det består vanligvis av løse den fremre og den inverse problem 5.
  2. Erverve Høyoppløselig T1 vektet Magnetic Resonance Image (MRI) data fra offentlig tilgjengelige databaser som neurodevelopmental MR database som inneholder gjennomsnittlig MR maler som en funksjon av alder (i måneder) for de to første årene av livet 6,7.
    Merk: Denne studien bruker bare alderstilpasset frem hodet modeller av spedbarn og derfor sex informasjonen ikke er tatt hensyn til ved valg av MR mal).
  3. Erverve kilde volumer for grense element modeller (BEM) som inkluderer hode avdelinger (dvs. små grå, hvit substans, hodebunnen, indre eller ytre skallen) som MRI volumer fra neurodevelopmental MRI databasen 8.
  4. Pre-prosess BEM MRI volum for å oppnå en realistisk modell hode ved å ekstrahere overflaten av hjernen og hode kamrene i Curry 7 eller lignende avbildning av hjernen programvarepakken.
  5. Importere T1 vektet MRI. Manuelt identifisere de tre fiducial punkter som høyre / venstre pre-auricular poeng og nasion i hjernen bildebehandlingsprogrammer eller lignende pakke.
  6. Co-registrere EEG og MR plass til å få den stive geometriske transformasjonen mellom MRI sin plass og fagets plass ved montering av fiducial punktene angitt på MR og fiducials oppnådd med 3D-skanner i trinn 6.9-6.11 bruker hjernen bildebehandlingsprogrammer eller lignende pakke.
  7. Løs forovermodellen.
    Merk: forover problemet involverer definisjonen av et hode modell som representerer geometrien av hodet og av de elektriske ledningsevne egenskapene av hodet volum 9,10.
  8. Løs den inverse problem
    Merk: Det inverse problemet forsøker å antyde en posisjon, styrke og en tidsforløpet av en kilde i hjernen fra hodebunnen EEG-signaler ved hjelp av signalprosesseringsteknikker 11.
  9. Segment kontinuerligEEG data i studier rundt oppgaven utbruddet (f.eks., Imitasjon, observasjon segmenter) med pre-og post-oppgave utbruddet segmenter av 2 sek lengde. Identifiser kanaler med høy impedans som "dårlige kanaler" og andre kunstig forsøk i hvert forsøk. Pre-prosessen EEG data for artefakt avvisning bruker ICA og rekonstruere de dårlige kanaler med gjennomsnittet av nabo artefakt frie kanaler. 12,13,14.
  10. Bruk forovermodellen som en inngang til en automatisert optimaliseringsalgoritme som søker over hele hjernen for å identifisere de best mulige kildeplasseringene.
  11. Visuelt analysere de estimerte kilder og plukke opp de løsningene som mest matche dine forventninger basert på tidligere kunnskap fra naturen av forsøket og tolke dem nøye.
    Merk: Dette trinnet er den mest forspent på grunn av en dårlig utgjøres arten av det inverse problem, det vil si forskjellige konfigurasjoner av kildene kan resultere i de samme overflatespenninger. Derfor, Kan det være nyttig å utføre en sunn fornuft sjekk for å verifisere at en gitt modell hode og invers metode fungerer bra.
  12. Utfør en tilregnelighet sjekk, lokalisere en kjent simulert dipol. Nemlig for den gitte hodemodellen sted en dipol med kjent konfigurasjon, og løse problemet fremover for å oppnå simulerte spenninger for denne dipol.
  13. Løs den inverse problem med disse spenningene på samme hode modellen, for å sørge for at den returnerer de simulerte dipoler.
    Merk: Disse feilsjekkene skal returnere dipolene i utgangspunktet er lagt til en høy grad av nøyaktighet.

Representative Results

Figur 8 viser prøven EEG og akselerasjon data fra Kongsberg for en 16 sek tidsvindu registrert under interaksjonen mellom subjektet og experimenter. EEG data ble re-samplet ved 100 Hz og deretter båndpassfiltreres [1-40 Hz] ved hjelp av en tredje orden, null-fase Butterworth filter. Kanaler med høy impedans (Z> 60 kohm), og perifere kanaler, ble kastet 12,15. Kongsberg registrert ni signaler på 128 Hz: magnetisk fluks, vinkelhastighet, og lineær akselerasjon i de tre kartesiske aksene. Her vises størrelsen av gravitasjons kompensert (GC) akselerasjon. Effekten av tyngdens akselerasjon ble kompensert ved å bruke et Kalman-filter for å forutsi IMU orientering i et globalt 16 ramme. Data ble segmentert ved visuell inspeksjon av video-opptak (trinn 7.1). Vertikale heltrukne linjer indikere starten på en opptreden av interesse, som stiplede vertikale linjene representerer avslutningen av arrangementet.

i Figur 8 rundt 709s. Den ubegrenset tilnærming til datainnsamling i denne eksperimentelle protokollen gjør EEG data mottakelige for øye blinker, øyebevegelser, bevegelse og elektromyografiske gjenstander. Dataene ble forhåndsbehandlet ved hjelp av en 3 rd orden null-fase Butterworth båndpassfilter for å begrense den til delta-båndet (1-4Hz), og standardisert ved å subtrahere gjennomsnittet og dividere med standard avvik. Høy amplitude gjenstander ble fjernet automatisk ved hjelp av Artifact Subspace Removal (ASR) metoden 17. I tillegg er periferiske kanaler ekskludert fra analyse av data i et forsøk på å minimalisere myoelectric gjenstand forurensning. Frontalis og temporalis muskelsammentrekninger fusjonere med EEG signal mest fremtredende ved perifere steder: frontalis sammentrekning dukker opp i fremre steder, og temporalis sammentrekning dukker opp i side frontal og temporal steder 15.

For å undersøke naturen av de data som er innsamlet med denne protokollen, ble EEG data histogrammer plottet i figur 9. I figur 9A beskriver den data fordelingen av det standardiserte signal fra tre romlig representative elektroder. EEG data viser en multimodal fordeling for de analyserte atferd. I figur 9B de kurtosis verdier er presentert som søylediagrammer for enklere visuell inspeksjon av dataene.

Klassifiseringen ble utført ved å trekke ut tidsbaserte forsinkelser i hver EEG kanal, noe som reduserer dimensjonalitet og samtidig bevare den lokale scatter av hver klasse (Local Fishers diskriminant analyse (LFDA)) 18, og opplæring / testing av en modell av den reduserte sett av funksjoner (Gaussian Blanding modeller (GMM)) 19. Trening / testing prøver ble tilfeldig samplet over 20 iterasjoner (dvs. kryssvaliderings) for å hindre noen over-fitting.Training/testing~~V utvalgsstørrelsen varierer gitt antall avviste kanaler (dvs. impedans større enn 60 kHz), lengde eksperiment økt, og antall forsøk og atferd uttrykt. Imidlertid er antallet av trening og testing av prøver som brukes for hver klasse (adferd) svarer til 50% av minst befolkede klassen. Som et eksempel, testing sett størrelsen på hver klasse er N = 1,069 prøver for spedbarn data vist i Figur 10. Alle trinn pre-prosessering og klassifisering ble beregnet under MATLAB programmeringsmiljø.

Figur 11 viser hele prosedyren for EEG kilde beregning utført i denne studie med en trinn-for-trinn måte. Flere detaljer om hvert trinn er også oppsummert i avsnitt 8.

Figur 12 viser resultatene av hendelsen relatert (de) synkronisering (ERD / ERS) i mu rytme (5-9 Hz) og dipolkilder under "Reach-tilbudet1; oppgave. ERS og ERD ble beregnet som prosentandelen av en reduksjon eller økning i et frekvensbånd-kraft som oppstår i løpet hendelse (nå og tilbudet oppgave) intervall sammenlignet med referanseintervall (et segment tatt før hendelsen). Denne figuren viser også gravitasjon-kompensert magnitude akselerasjon oppnådd under oppgaven fra begge håndledd av spedbarn og skuespilleren. For en dipol analyse EEG signaler ble nedbrutt hjelp uavhengig komponent analyse (ICA) for å eliminere bakgrunnsstøy. Kilden estimering ble utført i mu rytme etter ICA forbehandling via en fast MUSIC algoritme 5. Som forventet ble kildene lokalisert over høyre primære motor området mens motivet var å bruke sin venstre hånd å gripe objektet.

actiCAP EEG kapi- 64 elektroder *
Produktnavn Selskapet Antall
BrainAmp Forsterker Hjerne Produkter, Gmbh 2
Hjerne Produkter, Gmbh 10
actiCAP kontrollboks Hjerne Produkter, Gmbh 1
Brain Vision Recorder programvare Hjerne Produkter, Gmbh 1
actiCAP kontrollboks programvare Hjerne Produkter, Gmbh 1
CapTrak Hjerne Produkter, Gmbh 1
CapTrak programvare Hjerne Produkter, Gmbh 1
Opal bevegelse monitor APDM, Inc 6
Opal dokkingstasjon APDM, Inc 6
Opal trådløst tilgangspunkt APDM, Inc 1
Motion Studio programvare APDM, Inc 1
Trigger box Custom 1
Videokamera HC-W850M, Panasonic Co. 1
* EEG caps kommer i følgende hodeomkrets størrelser for barn: 42, 44, 46, 48, 50 cm. For denne protokollen, er et lager av 2 caps av hver størrelse anbefales.

Tabell 1 Utstyr.

Figur 1
Figur 1. Flow diagrammer. (A) Flow diagram av forsøket setup. (B) Flow diagram av datainnsamlingen økt. Klikk her for å se en større versjon av dette tallet.

Figur 2
Figur 2. Subject setup og klar for datainnsamling. (A) Frontal visning av motivet iført EEG cap, og fire Imus. (B) Topografisk representasjon av 64 kanal EEG cap med 10-20 standard elektrodeposisjoneringssystem. Klikk her for å vise en større versjon av dette tallet.

Figur 3
Figur 3. Datainnsamling utstyr og testing rom. (A) Datainnsamling utstyr setup: EEG kontrollboks (1), EEG cap (2), trigger (3), trådløs IMU datamottaker (4), EEG forsterkere (5), lekekasse (6), trigger trykknapp (7), datainnsamling bærbare datamaskiner (8), Imus dokkingstasjon (9). (B) Nærbilde av EEG cap, aktive elektroder og kontrollboksen. (C) nærbilde Imus og trådløs mottaker, trigge r trykknapp, EEG forsterkere, og datainnsamling bærbare datamaskiner. Klikk her for å se en større versjon av dette tallet.

Figur 4
Figur 4. Skjematisk fremstilling av eksperimentell innstilling. EEG kontrollboksen holderen (10). Subject verge sitter på stolen (11), sitter experimenter på stol (14) og personen overvåke data sitter på stolen (17). Resten av eksperimentelle oppsettet er vist. Interaksjon tabletop (12), trigger (13), leketøy boks (15), datainnsamling bord (16), videokamera plassering (18) Klikk her for å se en større versjon av denne figur.

"Src =" / filer / ftp_upload / 53406 / 53406fig5.jpg "/>
Figur 5. Skjermbilde av EEG kontrollprogramvare. Pilene peker på viktige ikoner i programvaren som er beskrevet i trinn 6.1 og 6.8. Klikk her for å se en større versjon av dette tallet.

Figur 6
Figur 6. Skjermbilde av EEG innspillingen programvare. Pilene peker på viktige ikonene i programvaren som er beskrevet i trinn 6.2 og 6.3. En del av live-streaming rådata vises. Klikk her for å se en større versjon av dette tallet.

pg "/>
Figur 7. Skjermbilde av Imus programvare. De røde boksene markere de viktigste ikonene i programvaren som er beskrevet i trinn 6.4. (A) Hovedkommandovinduet. (B) vinduet Configuration. (C) Opptak vinduet. Klikk her for å se en større versjon av dette tallet.

Figur 8
Figur 8. Eksempel på data fra et representativt eksperimentell økt. (A) EEG og akselerasjonsdata vises, både band-pass filtrert [1-40Hz]. EEG elektroder med lav impedans (Z <60 kohm) gjennom hele økten vises. Solid vertikale linjene indikerer atferd debut (B) Still frame representasjoner av barnet engasjert i atferd analyseres. Observer, Reach-grep, Reach-tilbud, imitasjon lte, Explore, Rest. Klikk her for å se en større versjon av dette tallet.

Figur 9
Figur 9. Eksempel på histogrammer av EEG amplitude for seks atferd identifisert. A) De viste data tilsvarer rådata fra tre elektroder (CP2, FC5, POZ) er tatt opp i en sesjon med en 20-måneder gamle spedbarn. Histogrammene blir skalert til det høyeste antall forekomster og kurtosen av hvert histogram er vist på høyre side av hver tomt. Legg merke til den multimodale fordelingen for de fleste av atferd. B) kurtose av eksempeldata for hver opptreden. Klikk her for å se en større versjon av dette tallet.


Figur 10. EEG spår atferds handlinger i fritt oppfører spedbarn 12. En prøve forvirring matrise for klassifisering nøyaktighet for en 20 måneder gammel baby er vist. Den samlede dekoding nøyaktighet vises på nederste høyre hjørne. Klikk her for å se en større versjon av dette tallet.

Figur 11
Figur 11. Kilde lokalisering. Trinn som kreves for et spedbarn dipolkilde lokalisering ved hjelp av en anatomisk MR og en funksjonell EEG data. Klikk her for å se en større versjon av dette fikenure.

Figur 12
Figur 12. Reach-tilbudet oppgaveanalyse profil. A) Snapshots av et spedbarn utføre "Reach-Offer" oppgave. B) Mean Global Feltet Power of EEG i Mu band (5-9 Hz), de lem bevegelse baner av spedbarn og skuespilleren; grand gjennomsnitt hendelsen relatert spektral forstyrrelse fra alle kanaler. C) Lokalisert dipolkilder for to hendelsene i "Movement utbruddet" og "Movement Completion". Klikk her for å se en større versjon av dette tallet.

Discussion

Protokollen er beskrevet presenterer en metode for å samle inn data fra fritt-oppfører spedbarn mens de er i samspill med en eksperimentator i sanntid. Det syssels mobile hjernebildeteknologi (skalp EEG) til å fange nevrale aktiviteten samtidig som du tar opp kinematiske data med Imus på strategiske steder på kroppen. Eksperimentet økt er også registrert av et videokamera. De tre datainnsamling systemer synkroniseres ved hjelp av en tilpasset trigger system.

EEG og IMU system er festet til faget som han / hun er fritt bevegelige under forsøket økten. Kongsberg må stroppes fast for å kunne fange kinematikk nøyaktig. For å sikre full ubegrenset mobilitet av faget, har utstyr til å være så minimalt påtrengende som mulig; således anvendelse av holderen for å støtte EEG s elektrodekabler og EEG kontrollboksen. Eksperimentator samhandler med et spedbarn i omtrent 15 minutter. Den INFAnt vil lokke fram en aldersavhengig repertoar av atferd i samspill. Disse inkluderer hvile, nå-grep, nå-tilbud, utforske, observere og imitere. Imidlertid vil noen spedbarn være uvillige til å samarbeide i økten grunnet tretthet, mangel på komfort, eller stress. Sørg for å planlegge eksperimentet når barnet er mest dynamiske og aktive for å hindre forekomst av negative svar fra ham / henne.

Naturen av eksperimentet presenterer risiko for kvaliteten på data som er registrert i løpet av økten. Derfor er det viktig å teste alle tilkoblinger og datakvalitet før du starter innspillingen, og for å overvåke dem kontinuerlig i løpet av økten. Hvis dataene EEG-systemet ikke tar opp kvalitetsdata, stopp programvaren og trekk ut alle tilkoblinger. Før du starter programvaren eller koble utstyret tilbake til laptop, fjerne alle mulige støykilder (dvs. strømforsyning) fra nærhet av opptaket maskinvare. EEG maskinvare inkluderer signalforsterkere som kan plukke opp støy fra omgivelsene hvis den plasseres nær elektriske støykilder. For IMU mottaker, pass på at det ikke er forstyrrelser i siktelinjen mellom mottakeren og eksperimentet og spedbarn.

Det eksperimentelle oppsettet gir høy tidsoppløsning neurale data ved å måle elektrisk aktivitet på overflaten av hodebunnen. Nylige studier har vist gjennomførbarheten av å benytte disse signaler sammen med hele kroppen kinematikk, for å identifisere informasjon som kan klassifiseres for uttrykksfulle bevegelser 20, og funksjonelle bevegelser 21,22, noe som tyder på at denne foreslåtte datainnsamling tilnærming kan føre til en bedre forståelse av den nevrale basis av imitasjon hos spedbarn.

Siste bidrag med kraftige maskinlæringsalgoritmer påført hjerne dynamikk 13,20,21 bygger et voksende verktøykasse for å studere overflate potensialer i mer naturlig settings. Denne foreslåtte oppsettet gir et spekter av muligheter for problemstillinger tas opp 2,22. Spesielt kan den brukes til forskning fokusert på a) å forstå det nevrale basis av kognitiv-motor utviklingen av spedbarn basert på en stor populasjon av individer; b) forstå det nevrale grunnlaget for barnets hensikt i 'handling og kontekst ", som skal være forutsigbare for innkommende atferds handling; c) kvantifisering vanlige og unike nevrale mønstre for å karakterisere individualitet og variasjon i utviklingen av hjernen; og d) å studere fremveksten av imitasjon og læringsprosesser. Disse målene innebærer utplassering av maskinlæring algoritmer som kan håndtere statistisk rike data både i informative hjerne-stammer potensialer og bevegelse eller muskel gjenstander 12,20,23.

Denne studien forsøker å estimere kortikale kilder og elektriske feltpotensialer ved hjelp av baby EEG data. På grunn avtekniske problemer som mangel på kunnskap i babyhode ledeevne og tykkelsen på hjernebarken saks skyld, er det nøyaktig modellering av hodet modellen en vanskelig oppgave. Videre studier er nødvendig for ikke-invasiv regionale vev ledningsevne estimater hos spedbarn 24. Kortikale overflaten segmentering av baby MRI data presenterer en ekstra utfordring på grunn av dårlig kontrast funnet i bilder av utviklings menneskelige hjerne 25. Fremtidig forskning er nødvendig for å løse disse problemene og beregne ulike nevrofysiologiske korrelater av spedbarn utvikling og atferd.

Endelig kunne den foreslåtte forsøksprotokoll og metoder tas i bruk i studiet av de med utviklingshemming som spedbarn med sannsynlig autisme spektrum lidelse (ASD). Ved en slik anvendelse ville det være ønskelig å inkludere en kontrollgruppe og egnet utviklingsmessige vurderinger for å karakterisere de to gruppene (kontroll og ASD). For eksamenpel kan en studie gruppe består av alle høy risiko (ASD) baby søsken vurderes med Autism Diagnostic Observation Schedule 26 til symptom alvorlighetsgrad 27 og Mullen Scales of Early Learning 28 karakter generell kognitiv evne. Hvis tilgjengelig, diffusjon vektet MR vil også være svært ønskelig 29.

Acknowledgements

Dette arbeidet ble støttet av Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Award # P01 HD064653-01. Innholdet er utelukkende ansvaret til forfatterne og representerer ikke nødvendigvis de offisielle utsikt 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.

    Video Stats