A Novel experimentellen und analytischen Ansatz zur multimodalen Neural Decoding of Intent Während Soziale Interaktion in Frei-verhalten menschliche Säuglinge

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

Eine der grundlegenden menschlichen Fähigkeiten ist die Fähigkeit, strategisch günstig im Dienst der Ziele und Belohnungen zu lernen und einzusetzen Aktionen (Aktions Produktion), die Fähigkeit, die Ziele der Sozialpartner (Aktion Verständnis), um geeignete soziale Reaktionen hervorrufen begreifen, und die Fähigkeit, , von anderen durch Beobachtung und Nachahmung 1 zu lernen. Das neuronale Grundlage dieser kognitiv-motorischen Fähigkeiten zugeschrieben wurden, zumindest teilweise zu der sogenannten Spiegelneuronensystem; ein System, das gedacht wird, um in Eingriff gebracht werden, wenn man jemandem eine Aktion auszuführen Ansichten und wenn man die Aktion ausführt. Allerdings ist die mögliche Verbindung zwischen der Spiegelneuronensystem und Handlungsverständnis ist noch nicht gut verstanden 1. Untersuchung der Entstehung und Entwicklung des Spiegelneuronensystem in menschlichen Säuglingen wurde durch a) den technischen Grenzen der multimodalen Datenerfassung der Hirnaktivität auf Vorsatz und feinkörnigen Bewegungsdaten korreliert behindert wordenB) die Beschränkungen, die durch experimentelle Protokolle, die unnatürlich (zB sozialer Interaktion mit einer in einem Videoband dargestellt Mittel, die Notwendigkeit zum Aufrechterhalten eines Standhaltung, um Artefakte während Elektroenzephalographische minimieren (EEG) Aufzeichnungen usw.) auferlegt werden, und c) das Kommunikation / Sprachbarrieren bei der Prüfung von jungen Säuglingen / Kleinkindern, die Fähigkeiten des Forschers stark einschränken, um Anweisungen zu geben und zu validieren Verhaltensweisen.

Für ein besseres Verständnis der unterschiedlichen Neuro- und Verhaltensdynamik bei natürlichen Verhalten, einen neuartigen experimentellen und analytischen Ansatz, der die zeitaufgelöste Untersuchung der neuronalen Substrate Schwellenzielorientierte und soziale Verhaltensweisen bei jungen Kindern ermöglicht entwickelten wir. Genauer gesagt, ein EEG-basierten mobilen Bildgebung des Gehirns (MOBI) Ansatz 2 zur Aufzeichnung der Hirnaktivität und Bewegung von frei verhalten Kleinkindern eingesetzt, die wir während Interaktion mit einem Experimentator. Trägheitsmesseinheiten (IMU) wurden verwendet, um monitor Thema und Experimentators Kinematik.

EEG-Technologie und Trägheitssensoren wurden verwendet, um neuronale Muster und Aktivierungen, um die Säuglinge "Aktion Imitation und zielorientiertes Verhalten in einer unscripted Interaktion mit einem Experimentator / Schauspieler assoziiert zu studieren. Aktionen wie Reichweite-Reichweite, erreichen-Angebot, zu beobachten, Ruhe, und erkunden Sie alle sind Teil der in der Imitation involviert kognitiv-motorische Prozesse. Darüber hinaus nutzen wir Quelle Schätzung, um die Generatoren der elektrischen Potentiale innerhalb des Gehirns während der Verhaltens-Aufgaben zu lokalisieren, wodurch die Untersuchung der raumzeitlichen Dynamik neuronaler Ströme im gesamten Gehirn. Ebenso setzen wir Algorithmen des maschinellen Lernens zu bewerten und zu messen, die Vorhersagbarkeit dieser Verhaltensmaßnahmen durch die Identifizierung handlungsrelevante räumlich-zeitliche Muster in der neuronalen Aktivität in Sensor (EEG) und / oder Quellplätze. Die Integration von traditionellen ERD / ERS, Quelle und Decodierung Analyse ein umfassenderes developmental Beschreibung der neuronalen Grundlagen von solchen Verhaltensweisen.

Dieser Aufbau erlaubt es uns, die Vorteile der Mobi Ansatz 2,3 auszunutzen und studieren die sozialen Interaktionen zwischen dem Säugling und dem Experimentator wie sie natürlich ohne Einschränkungen kommen.

Das Protokoll vom Zeitpunkt Gegenstand kommt, um den er / sie geht, dauert ca. 1 Stunde in Anspruch. Die IBU / EEG Rüstzeit und Elektrodenortserwerbungs variiert von 15 bis 25 min, abhängig von Faktoren wie beispielsweise die Haarlänge und der Zusammenarbeit des Subjekts. Die Initialisierung und Konfiguration der Geräte summiert sich zu 10 min, und die Testeinheit dauert etwa 15 min. Die Entfernung des IMUs und EEG-Haube, einschließlich Reinigung der Kopf des Kindes aus dem hypoallergene Gel, dauert 5-10 min.

Protocol

Das folgende Protokoll wurde untersucht und von der Institutional Review Board an der University of Houston genehmigt. Alle Kinder Themen "Eltern oder Erziehungsberechtigten erhalten, gelesen und unterschrieben eine Einverständniserklärung vor der Teilnahme. Eltern erhalten kostenlose Parkplätze und ein $ 20 Geschenk-Karte als Ausgleich für ihre Teilnahme an der Studie, während die Kleinkindern wählte eine altersgerechte Spielzeug.

Die rekrutierten Kinder Untertanen erfüllt die folgenden Kriterien: 1) Alter zwischen 6 und 24 Monaten. 2) Infant gesund war, hatten normales Wachstum und Entwicklung, und hatte keine Geschichte der Geburt Probleme, Gehirnerschütterungen, Krampfanfälle, Schlaganfälle, oder Lernschwierigkeiten. Beispiele für einige gemeinsame Entwicklungsstörungen, die ein Kind von der Prüfung ausschließen würde sind Gedeihstörungen, Unterernährung, und die Verwendung von Alkohol oder Drogen durch die Mutter während der Schwangerschaft.

Ein vereinfachtes Flußdiagramm für die gleichzeitige Aufnahme von multimodalen neuronalen Aktivität über Kopfhaut EEG undIMUs in frei verhalten Säuglingen ist in Abbildung 1 dargestellt.

1. Zustimmung nach Inkenntnissetzung

  1. Eltern zeigen den Versuchsraum und den Zweck des Versuchs, sie zu kurz erklären.

2. Kopfhaut-EEG Vorbereitung

  1. Anmerkung: Die EEG-System verwendet (Tabelle 1) besteht aus einem aktiven Elektrodensystem mit abnehmbaren Elektroden. Impedanzniveaus sind auf die Verwendung von LEDs der Elektroden angezeigt.
  2. Messen Sie den Kopfumfang des Kindes in cm. Legen Sie ein Maßband um die breiteste Stelle des Kopfes, indem sie über den Augenbrauen und um das Hinterhaupts Bedeutung in der Rückseite des Kopfes.
    Hinweis: Die Messung der Kopfumfang ist für die Auswahl eines entsprechend großen EEG-Haube erforderlich. Es gibt Sondergrößen für die in Tabelle 1 beschrieben Säuglings Bevölkerung.
  3. Platz Elektroden auf einem passenden EEG-Haube (Tabelle 1), wie durch die angegebene10-20 internationalen Systems. Die Kappe sorgt für die richtige Anordnung der Elektroden auf der Kopfhaut.
    Anmerkung: Es ist bevorzugt, die Kappe bereit, um die Zeit der Säugling erreicht das Studienstandort haben. Informationen über die Kopfgröße kann von den Eltern vor der Zeit erhalten werden, oder angenähert Verwendung von Tabellen online zur Verfügung [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Wenn der Kopf Messung nicht zu Angleichung der Forscher entsprechen, muss eine neue Kappe hergestellt werden. Wenn mehrere Kappen und Elektroden zur Verfügung stehen, können mehrere Kappen im Voraus festgelegt, um die Vorbereitungszeit zu minimieren.
  4. Erklären Sie das Gelieren Verfahren zum übergeordneten. Zeigen Sie ihnen, die stumpfe Nadel und Spritze verwendet, um Gel zu jeder Elektrode anzuwenden und lassen Sie sie spüren Sie die Nadel auf ihre Haut. Verwenden Sie ein Demo-EEG-Elektrode und Kopfhaut Kappe über das Gelieren Verfahren durchlaufen.
  5. Den Abstand von der Nasenwurzel auf den Inion entlang der sagittalen Ebene der Oberfläche der Kopfhaut. Fahren Sie mit dem scal passenp Kappe von hinten den Säugling.
  6. Richten Sie die Cz-Elektrode mit dem Scheitelpunkt des Kopfes. Gehen Sie zum Ausrichten und Zentrieren Sie das Fp1 und Fp2 Elektroden auf der Stirn bei ca. 10% des Abstandes zwischen dem Nasion und dem Inion. Richten Sie die Kopfhaut Kappe symmetrisch entlang der Medianebene des Kopfes. Stellen Sie sicher, Mitte der Elektroden [AFZ, Fz, FCZ, Cz, CPZ, Pz, POZ, Oz] werden mit der Nasion und Inion ausgerichtet sind. Wenn Sie fertig sind, sichern Sie den Deckel mit Gurten unter dem Kinn.
    Hinweis: Lenken Sie das Kind, während er / sie wird mit der EEG-Haube ausgestattet. Eine altersgerechte Video wird häufig verwendet, um Säuglinge während der Einrichtung abzulenken.
  7. Schließen Sie die Referenz, Boden und Aufzeichnungselektroden mit dem Steuerkasten. Schalten Sie den Impedanz Indikatoren aus dem Steuerkasten.
  8. Beginnend mit Boden und Referenzelektroden, verwenden Sie eine kleine Spritze mit Elektrolytgel in den Raum zwischen der Kopfhaut und der Elektrode zu injizieren, bis die Impedanz jeder Elektrode Maßnahmen unter 60 kOhm. Dies ist inddurch ein gelbes oder grünes Licht auf den Elektroden icated. Weitere Details zum EEG Elektrodenvorbereitung sind in 4.
    Hinweis: Während des Gelieren Verfahren, könnte das Kind seinen / ihren Kopf aus verschiedenen Gründen (Neugier, Angst, umgeleitet Aufmerksamkeit) zu bewegen. Es wird daher empfohlen, dass die zweite Versuchsleiter oder Elternteil weiterhin die Säuglings abzulenken. Verwenden Sie die Spritze von hinten der Kopf des Kindes, um das Risiko der Kollision mit dem Gesicht des Kindes mit der Nadel zu vermeiden, wegen der unerwarteten Bewegung des Motivs.
  9. Schließen Sie die Verstärker auf dem Host-PC über einen USB-Anschluss mit einem Glasfaser-zu-USB-Konverter.
    Hinweis: 2A zeigt den Säugling unterliegen Setup mit der EEG-Kappe und dem IMU Platzierung. Beachten Sie, dass die Elektrodenkabel und der Steuerkasten werden aufgehalten, Bereitstellung lastfreien Mobilität zum Thema. 2B zeigt eine topographische Ansicht des EEG Mütze Elektrodenstellen nach dem 10-20 Kennzeichnungssystem.

3. IMUs Vorbereitung

  1. Öffnen Sie die IMU-Software. Klicken Sie auf "Neu" auf der grafischen Oberfläche.
  2. Klicken Sie dann auf "Konfigurieren" im Dialogfeld zum Konfigurieren IMUs. Die Abtastrate Frequenz auf 128 Hz.
  3. Sichern Sie die IMUs auf den Kopf, Brust und linke und rechte Handgelenk des Kindes.
    Hinweis: Siehe 2A. Parallel dazu passen die Handgelenke des Experiments mit IMUs. Stellen Sie sicher, IMUs sind dem Körper befestigt ist, um Trägheitsmessfehler zu minimieren.
  4. Mit Riemen, die Handgelenks IMUs auf der Rückenseite der Handgelenke. Setzen Sie den Brust IMU auf der Bauchseite in der Nähe der Mitte der Brust mit einem Kabelstrang.
  5. Befestigen Sie den Kopf IMU an die Kinnriemen der Kopfhaut Kappe, so dass es in der Nähe der linken Seite des Kinns ist. Positionieren Sie den IMUs, so dass sie nach außen zeigen, mit dem LED-Licht bis orientiert.
    Hinweis: Die IMUs wiegen jeweils etwa 22 g, und ihre geringe Größe und das geringe Gewicht sind unwahrscheinlich, m behindernovement. Eine zusätzliche Experimentator kann erforderlich sein, um das Kind in Schritt 2.8 beschriebenen Gründen abzulenken.

4. Video Capture und Synchronisation der Datenströme

  1. Ort Videokamera (18), so dass der Säugling (12), der Aktor (14) und die LED-Trigger (13) sind deutlich sichtbar. Siehe Abbildung 4.
    Hinweis: Videoaufnahmen verwendet werden, um visuelle Anmerkungs und Segmentierung von Verhaltensweisen vom Experimentator ausgelöst sowie die Bestätigung der Anfang und das Ende der Aufzeichnungssitzung zu ermöglichen.
  2. Verbinden den Trigger-Eingang / Ausgang-Gehäuse (7) mit dem EEG (5) und LMUs (4). Siehe Abbildung 3.
    Hinweis: Eine benutzerdefinierte Eingabe- / Ausgabe-Gehäuse (7), der in 3 gezeigt wird, wurde für die Ausrichtung aller aufgezeichneten Datenströme (EEG, IMUs und Video) und damit verwenden Ereignismarkierungen von einer Aufnahme konzipiert (wie Video) oder Beihilfen, die Analyse einer weiteren Aufzeichnungs (wie EEG oder Beschleunigung). Dies wird unter Verwendung einer vollEinzeldrucktaster, der, wenn er gedrückt wird, wird eine aktive-low (+ V gegen Erde), um EEG senden Triggerimpuls (über einen DB-25-Parallel-Port), IMU (über einen Mini-DIN-6-Stecker) und Video (durch Beleuchten einer Leuchtdiode (LED) im Hinblick auf die Videokamera) Aufnahmen gleichzeitig positioniert. A 7404 IC-Logik-Inverter-Chip verwendet, um den Low-Zustand (Masse) an einen Hochzustand (+ V) Impuls umzuwandeln, die Bereitstellung der Spannungspotential benötigt, um die LED-Leistung.
  3. Hast Du ein Experimentator in unmittelbarer Nähe zu dem Triggertaste und der Datensammlung Computer. Der Versuchsleiter ist verantwortlich für den Betrieb der Trigger, die Überwachung der Datenqualität während des gesamten Experiments, und speichern Sie die Daten.

5. Vorbereitung der Testumgebung

  1. Siehe Abbildung 4.

6. Datenerfassung

  1. Nehmen Sie die Anfangsimpedanzwerte der EEG-Elektroden mit der Steuerungssoftware, indem Sie die "ImpedanzÜberprüfen Sie "Vorsprung, Klicken auf das Optionsfeld" Impedance On "(warten Sie etwa 5 Sekunden für die Elektrodenimpedanzwerte zu stabilisieren), und auf die Schaltfläche" Speichern Impedanz Radio-Button ", um Impedanzen zu speichern. Siehe Abbildung 5.
  2. Keine Filter werden während der EEG-Datensammlung angelegt.
  3. In der EEG-Recorder-Programm, klicken Sie auf "Monitor", dann "Play" zu starten Umkodierung EEG-Daten. Siehe Abbildung 6.
  4. In der IMU-Software, klicken Sie auf "Stream" und "Record" im Dialogfeld Aufzeichnung IMU-Daten zu starten. Siehe Abbildung 7.
  5. Gelten drei Trigger (III), die zu Beginn des Experiments mit der Drucktaste auf der Eingabe / Ausgabe-Gehäuse (7) zu signalisieren. Lassen Sie das Kind Ruhe für 1 min während der Aufnahme. Dies bietet anfänglichen Baseline-Daten.
  6. Führen Sie experimentieren und lassen das Kind unterliegen Pausen nach Bedarf. Jedes Experiment Studie besteht aus einem turn-taking Aufgabe, wo die Schauspieler Showseine Aktion, die den Säugling mit einem Objekt (gewöhnlich, aber nicht immer, ein Spielzeug), übergibt sie an den Säugling in dem Bemühen, eine Nachahmung Reaktion einzuleiten und schließlich holt das Objekt aus der Säugling wieder.
    Hinweis: Dieser Austausch wird in der Regel für 4-5 Studien oder bis das Kind zeigt kein Interesse mehr an dem Objekt wiederholt.
  7. Angesichts der Umgebung der Sitzung, zu kommentieren alle Timings jedes Verhalten nach der Datenerfassung mit Hilfe der Videoaufzeichnung.
  8. Nehmen Sie die endgültigen Impedanzwerte der EEG-Elektroden. Siehe Schritt 6.1.
  9. Digitalisierung der 3D-Raumkoordinaten der EEG-Elektroden mit der EEG-Elektrode 3D-Scanner und Software und die entsprechende Software.
  10. Starten Sie den 3D-Scan-Software. Gehen Sie auf "Datei" und wählen Sie "neuen Arbeitsbereich". Laden Sie die Elektrodenposition Datei in der ersten Registerkarte des Arbeitsbereichs und die notwendigen Informationen in der Speicher Registerkarte.
  11. In der Scan-Werkzeugleiste klicken Sie auf "start Scannen ". Verwenden Sie die 3D-Scanner, bei ca. 30 cm vom Kopf des Kindes, um die Elektrodenstellen, indem Sie die wechselnden Lichtmuster auf der Kappe zu scannen. Nachdem der Scanvorgang abgeschlossen ist, wird die Software automatisch die Ergebnisse speichern.
    Hinweis: An der Rückseite des Kopfes, kann die Kabel die LEDs an den Elektroden aufgrund der geringen Größe des Kopfes des Kindes zu blockieren. Die Software ermöglicht dem Benutzer, ein paar Elektroden aus dem Scan ohne die Ergebnisse zu entfernen. Entfernen Sie die Hinterhauptelektroden von der Untersuchung, falls erforderlich.

7. Behavioral Segmentierung

  1. Überprüfen Sie die Videoaufzeichnung des Experiments Sitzung und die Zeit an, wenn der Trigger-LED blinkt (dh wenn das Experiment beginnt und endet), und, wenn eine der oben genannten Verhaltensweisen in Schritt 6.6 Beginn und Ende.

8. Quelle Imaging

  1. Hinweis: Source Imaging genau die Generatoren der IdentifizierungEEG-Potenziale innerhalb des Gehirns und es in der Regel aus der Lösung des Vorwärts- und des inversen Problems 5.
  2. Erwerben hoher Auflösung T1 gewichtete Magnetresonanzbild (MRI) Daten von Public-Domain-Datenbanken wie der Neurodevelopmental MRI-Datenbank, die durchschnittliche MRI-Vorlagen als Funktion des Alters (in Monaten) für die ersten zwei Jahre des Lebens 6,7 enthält.
    Hinweis: Diese Studie verwendet nur altersgerechte Vorwärtskopf-Modelle von Säuglingen und daher sex Informationen nicht berücksichtigt bei der Auswahl des MRI-Vorlage übernommen).
  3. Erwerben Sie Quell-Volumes für die Randelementmodellen (BEM), die Hauptfächer (dh graue Substanz, weiße Substanz, Kopfhaut, inneren oder äußeren Schädel) als MRI-Bände aus dem Neurodevelopmental MRI-Datenbank 8 enthalten.
  4. Pre-Prozess BEM MRI Volumen, um eine realistische Kopfmodell durch Extraktion der Oberfläche des Gehirns und Kopffächer in Curry 7 oder ähnlichen Brain Imaging-Software-Paket zu erhalten.
  5. Importieren Sie die T1-gewichtete MRT. Die drei Bezugspunkte manuell zu identifizieren, wie beispielsweise rechts / links präaurikulär Punkte und Nasion im Gehirn Imaging-Software oder ähnliches Paket.
  6. Co-registrieren EEG und MRT-Raum, um die starre geometrische Transformation zwischen dem MRI Raum und der Person Raum, indem die Bezugspunkte in der MRT angedeutet, und die mit 3D-Scanner in Schritten von 6,9 bis 6,11 unter Verwendung des bildgebenden Software oder ähnliches Paket erhalten Passermarken zu erhalten.
  7. Lösen Sie das Vorwärtsmodell.
    Hinweis: Das Vorwärtsproblem beinhaltet die Definition eines Kopfmodells, die die Geometrie des Kopfes und der elektrischen Leitfähigkeitseigenschaften des Kopfes Volumen 9,10 darstellt.
  8. Lösen Sie das umgekehrte Problem
    Anmerkung: Die inverse Problem versucht, eine Position, Kraft und einen Zeitverlauf einer Quelle im Gehirn von der Kopfhaut von EEG-Signalen durch Verwendung von Signalverarbeitungstechniken, 11 geschlossen werden.
  9. SegmentdauerEEG-Daten in Studien rund um die Aufgabe Auftreten (z. B. Nachahmung, Beobachtungssegmente) mit Pre- und Post-Task Einsetzen Segmente 2 Sekunden lang. Identifizieren Kanäle mit hoher Impedanz als "schlecht Kanäle" und andere Artefakt Studien bei jedem Versuch. Pre-Prozess werden die EEG-Daten für die Artefaktunterdrückung mit ICA und rekonstruieren die schlechten Kanäle mit dem Durchschnitt der Nachbarartefaktfreie Kanäle. 12,13,14.
  10. Verwenden Sie das Vorwärtsmodell als eine Eingabe in einem automatisierten Optimierungsalgorithmus, die über das gesamte Gehirn durchsucht, um die bestmöglichen Quellenpositionen zu identifizieren.
  11. Visuell analysieren die geschätzte Quellen und holen die Lösungen, die die meisten entsprechen Ihrer Erwartung nach Vorkenntnissen aus der Natur des Experiments auf und interpretieren sie sorgfältig.
    Anmerkung: Dieser Schritt ist der vorgespannte einem aufgrund der schlecht gestellte Art des inversen Problems, das heißt, verschiedene Konfigurationen der Quellen können in den gleichen Oberflächenpotentialen führen. DeshalbKann es hilfreich sein, eine Plausibilitätsprüfung durchführen, um zu überprüfen, ob ein bestimmter Kopfmodell und inverse Methode funktioniert gut.
  12. Führen Sie eine Plausibilitätsprüfung, Lokalisieren eines bekannten simuliert Dipol. Das heißt, für die gegebene Kopfmodell Ort ein Dipol mit bekannten Konfiguration, und lösen Sie das Problem, nach vorne, um simulierte Spannungen für dieses Dipols zu erhalten.
  13. Lösen Sie das inverse Problem mit diesen Spannungen auf dem gleichen Kopf-Modell, um sicherzustellen, dass die simulierten Dipole zurückgibt.
    Hinweis: Diese Plausibilitätsprüfungen sollte die Dipole zunächst zu einem hohen Grad an Genauigkeit gestellt zurückzukehren.

Representative Results

Figur 8 zeigt Beispiel EEG und Beschleunigungsdaten aus den LMUs für einen 16 sec Zeitfenster während der Interaktion zwischen dem Objekt und den Experimentator aufgezeichnet. EEG-Daten wurde bei 100 Hz neu abgetastet und dann bandpaßgefilterten [1-40 Hz] mit einem 3. Ordnung, Nullphasen-Butterworth-Filter. Kanäle mit hoher Impedanzwerte (Z> 60 kOhm) und peripheren Kanälen wurden verworfen 12,15. Die IMUs zeichneten neun Signale bei 128 Hz: Magnetfluss, Winkelgeschwindigkeit und eine lineare Beschleunigung in den drei kartesischen Achsen. Hier zeigen wir die Grße der Schwerkraft kompensiert (GC) Beschleunigung. Die Wirkung der Erdbeschleunigung wurde durch Anwenden eines Kalman-Filters, um die IMU Orientierung im globalen Rahmen 16 vorher kompensiert. Daten wurden durch visuelle Inspektion der Videoaufzeichnungen (Schritt 7.1) segmentiert. Vertikale durchgezogene Linien bezeichnen den Beginn eines Verhaltens von Interesse, als gestrichelte vertikale Linien repräsentieren das Ende des Ereignisses.

in Abbildung 8 um 709s gezeigte EEG-Daten vorhanden sind. Die ungezwungene Ansatz zur Datenerhebung in diesem Versuchsprotokoll macht die EEG-Daten anfällig für Auge blinkt, Augenbewegungen, Bewegung und elektromyographische Artefakte. Die Daten wurden unter Verwendung einer 3. Ordnung Nullphasen Butterworth-Bandpassfilter, um es in die Delta-Band (1-4Hz) begrenzen vorverarbeitet und durch Subtrahieren der mittleren und Dividieren durch die Standardabweichung normiert. Hoher Amplitude Artefakte wurden automatisch mit dem Artifact Subraum-Removal (ASR) Verfahren 17 entfernt. Zusätzlich werden periphere Kanäle aus der Datenanalyse in dem Bemühen um myoelektrische Artefakt Kontamination zu minimieren ausgeschlossen. Frontalis und temporalis Muskelkontraktionen verschmelzen mit EEG-Signal am deutlichsten an peripheren Standorten: Frontalis Kontraktion zeigt sich in vorderen Positionen und temporalis Kontraktion zeigt sich in seitlichen frontalen und temporal Stellen 15.

Um die Art der mit diesem Protokoll gesammelten Daten zu kontrollieren, wurden EEG-Daten Histogramme in Figur 9 in 9a aufgetragen, es beschreibt die Verteilung der Daten des genormten Signals von drei räumlich repräsentativ Elektroden. Die EEG-Daten zeigt eine multimodale Verteilung für die analysierten Verhaltensweisen. In 9B die Kurtosis Werte als Balkendiagramme für einfachere visuelle Inspektion der Daten dargestellt.

Klassifizierung wurde durch Extrahieren zeitbasierte Verzögerungen der einzelnen EEG-Kanal, wodurch Dimensionalität und gleichzeitig die lokale Streuung der einzelnen Klassen (Local Fisher-Diskriminanzanalyse (LFDA)) 18, und Schulung / Prüfung eines Modells des reduzierten Satz von Funktionen (Gaussian Mixture geführt Models (GVM)) 19. Training / Test-Proben wurden nach dem Zufallsprinzip über 20 Iterationen (dh Kreuzvalidierung), jede ov verhindern abgetasteter-fitting.Training/testing~~V Probengröße hängt angesichts der Zahl der abgelehnten Kanäle (dh Impedanz größer als 60 kHz), die Dauer des Experiments Sitzung und Anzahl der Versuche und Verhaltensweisen zum Ausdruck gebracht. Allerdings ist die Anzahl der Trainings- und Teststichproben für jede Klasse (behavior) verwendet werden, entsprechen 50% der am dünnsten besiedelte Klasse. Als Beispiel wird das Testsatz Größe jeder Klasse ist N = 1.069 Proben für die in 10 gezeigte Kleinkind-Daten. Alle Vorverarbeitung und Klassifizierung Schritte wurden unter der MATLAB-Programmierumgebung berechnet.

Figur 11 zeigt das gesamte Verfahren für die EEG Quelle Schätzung in dieser Studie in einer Schritt-für-Schritt-Weise durchgeführt wird. Mehr Details zu den einzelnen Schritten wird auch in Abschnitt 8 zusammengefasst.

Abbildung 12 zeigt die Ergebnisse der Veranstaltung im Zusammenhang (de) Synchronisation (ERD / ERS) in der mu-Rhythmus (5-9 Hz) und die Dipol-Quellen während der "Reach-Angebot1; Aufgabe. ERS und ERD wurde als der Prozentsatz einer Abnahme oder Zunahme in einem Frequenzband-Leistungs die während Ereignis (erreichen und bieten Aufgabe), verglichen mit dem Referenzintervall (ein Segment vor dem Ereignis genommen) auftritt Intervall berechnet. Diese Figur zeigt auch die Schwerkraft kompensiert Größenordnung Beschleunigung während der Aufgabe von beiden Handgelenken des Säuglings und des Schauspielers erhalten. Für eine Dipol-Analyse werden die EEG-Signale wurden unter Verwendung von Independent Component Analysis (ICA), um Hintergrundgeräusche zu eliminieren zerlegt. Die Quelle Schätzung wurde im mu Rhythmus nach ICA Vorverarbeitung über eine feste MUSIC Algorithmus 5 durchgeführt. Wie zu erwarten, waren die Quellen über die rechte primären motorischen Bereich, während der Gegenstand wurde mit seiner linken Hand, um das Objekt zu erfassen lokalisiert.

actiCAP EEG Cap- 64 Elektroden *
Produktname Unternehmen Menge
BrainAmp Verstärker Brain Products, Gmbh 2
Brain Products, Gmbh 10
actiCAP Control Box Brain Products, Gmbh 1
Brain Vision Recorder-Software Brain Products, Gmbh 1
actiCAP Control Box-Software Brain Products, Gmbh 1
CapTrak Brain Products, Gmbh 1
CapTrak Software Brain Products, Gmbh 1
Opal Bewegungsüberwachung APDM, Inc 6
Opal-Dockingstation APDM, Inc 6
Opal WLAN-Zugangspunkt APDM, Inc 1
Motion Studio Software APDM, Inc 1
Trigger-Box Benutzerdefinierte 1
Videokamera HC-W850M, Panasonic Co. 1
* Die EEG-Hauben sind in folgenden Kopfumfang Größen für Kinder: 42, 44, 46, 48, 50 cm. Aus diesem Protokoll wird ein Bestand von 2 Kappen jeder Größe empfohlen.

Tabelle 1 Ausrüstung.

Abbildung 1
Abbildung 1. Ablaufdiagramme. (A) Flussdiagramm der Versuchsaufbau. (B) Flussdiagramm der Datensammlung Sitzung. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 2
Abbildung 2. Gegenstand setup und bereit für die Datenerfassung. (A) eine Vorderansicht eines Gegenstand trägt die EEG-Haube, und vier IMUs. (B) Topographische Darstellung des 64-Kanal-EEG-Haube mit dem 10-20 Standardelektrodenpositionierungssystem. Bitte klicken Sie hier, um einen Blick Größere Version der Figur.

Figur 3
Abbildung 3. Datenerfassungsgeräte und der Testraum. (A) Die Datenerhebung Geräte-Setup: EEG Steuerkasten (1), EEG Kappe (2), Trigger (3), WLAN-IMU Datenempfänger (4), EEG-Verstärker (5), Spielzeugkiste (6), Trigger-Taster (7), Datenerfassung Laptops (8), IMUs Dockingstation (9). (B) Close-up der EEG-Haube, aktiven Elektroden und Kontrollkästchen. (C) Close-up der IMUs und drahtlosen Empfänger, Trigge r Tast-, EEG Verstärker und Datensammlung Laptops. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 4
Abbildung 4. Schematische Darstellung des experimentellen Setting. EEG Schaltkasten Halter (10). Betreff Vormund sitzt auf Stuhl (11) sitzt Experimentator auf Stuhl (14) und die Person, die die Überwachung der Daten sitzt auf Stuhl (17). Der Rest der Versuchsaufbau gezeigt:. Interaction Tischplatte (12), Trigger (13), Spielzeugkiste (15), Datenerfassung Tisch (16), einer Videokamera Platzierung (18) Bitte klicken Sie hier, um eine größere Version davon zu sehen Abbildung.

"Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/>
Abbildung 5. Screenshot des EEG-Steuerungssoftware. Die Pfeile zeigen auf Tastensymbole in der Software in Schritt 6.1 und beschrieben 6.8. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 6
Abbildung 6. Screenshot von EEG-Recording-Software. Die Pfeile zeigen auf Tastensymbole in der in Schritt 6.2 und 6.3 beschriebene Software. Ein Ausschnitt des Live-Streaming-Rohdaten dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

pg "/>
Abbildung 7. Screenshot des IMUs Software. Die roten Felder markieren Sie die Tastensymbole in der in Schritt 6.4 beschriebenen Software. (A) Hauptbefehlsfenster. (B) Konfigurationsfenster. (C) Aufnahmefenster. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 8
Abbildung 8. Beispiel Daten aus einer repräsentativen experimentellen Sitzung. (A) EEG und Beschleunigungsdaten angezeigt, gefiltert sowohl Bandpass [1-40Hz]. EEG-Elektroden mit niedriger Impedanz (Z <60 kOhm) während der Sitzung angezeigt. Gezogene vertikale Linien zeigen das Verhalten Beginn (B) Standbild Darstellungen der Säugling in den Verhaltensweisen engagiert analysiert:. Beachten Sie, Reichweite-Reichweite, Reichweite-Angebot, Imitate, Entdecken, Rest. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Figur 9
Abbildung 9. Beispiel Histogramme der EEG-Amplitude für sechs Verhaltensweisen identifiziert. A) Die dargestellten Daten entspricht der Rohdaten aus drei Elektroden (CP2, FC5, POZ) in einer Sitzung mit einem 20 Monate alten Säugling aufgezeichnet. Die Histogramme sind an der höchsten Anzahl von Vorkommen skaliert und der Kurtosis eines jeden Histogramms rechts von jedem Plot dargestellt. Beachten Sie die multimodale Verteilung für die meisten der Verhaltensweisen. B) Kurtosis von Beispieldaten für jedes Verhalten. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.


Abbildung 10. EEG prognostiziert Verhaltens Aktionen in frei verhalten Säuglingen 12. Eine Probe Konfusionsmatrix für die Klassifikationsgenauigkeit für einen 20 Monate alten Säugling gezeigt. Die Gesamtdecodierungsgenauigkeit ist auf der rechten unteren Ecke angezeigt. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

11
Abbildung 11. Quelle Lokalisierung. Die Schritte für ein Kind Dipol-Quellenlokalisierung mit einem anatomischen MRT und eine funktionelle EEG-Daten erforderlich. Bitte klicken Sie hier, um eine größere Version dieses Bild anzuzeigenure.

12
Abbildung 12. Mast-Angebot Aufgabenanalyse Profil. A) Snapshots eines Säuglings Durchführung des "Reach-Angebot" Aufgabe. B) Mittlere Global Field Power of EEG in Mu-Band (5-9 Hz), den Schenkelbewegungsbahnen des Säuglings und der Schauspieler; die große gemittelt ereignisbezogenen spektrale Störung aus allen Kanälen. C) Lokalisierte Dipolquellen für zwei Ereignisse der "Bewegung Beginn" und "Movement Completion". Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.

Discussion

Das beschriebene Protokoll stellt eine Methode, um Daten von frei verhalten Säuglingen zu sammeln, während sie mit einem Experimentator in Echtzeit zu interagieren. Es beschäftigt Mobil Gehirns Imaging-Technologie (Kopfhaut-EEG), um die neuronale Aktivität zu erfassen, während gleichzeitig die Aufnahme kinematischen Daten mit IMUs in strategischen Körperstellen. Das Experiment Sitzung wird auch durch eine Videokamera aufgezeichnet. Die drei Datenerfassungssysteme verwenden eine benutzerdefinierte Trigger-System synchronisiert.

Das EEG und IMU-System werden auf das Thema angeschnallt, wie er / sie sich frei bewegenden während des Experiments Sitzung. Die IMUs müssen sicher festgeschnallt werden, um in der Lage, Kinematik präzise zu erfassen. Um eine volle uneingeschränkte Mobilität des Subjekts zu gewährleisten, muss das Gerät als minimal aufdringlich wie möglich zu sein; somit die Verwendung des Halters den Elektrodenkabel des EEG und das Kontrollkästchen EEG zu unterstützen. Der Experimentator interagiert dann mit dem Säugling für etwa 15 Minuten. INFAnt wird eine altersabhängige Repertoire an Verhaltensweisen während der Interaktion zu entlocken. Dazu gehören Ruhe, zu erreichen, zu erfassen, zu erreichen-Angebot, zu erforschen, zu beobachten und zu imitieren. Allerdings werden einige Säuglinge nicht bereit, in der Sitzung aufgrund von Ermüdung, Mangel an Komfort, oder Stress zusammenzuarbeiten. Stellen Sie sicher, das Experiment zu planen, wenn das Kind am meisten dynamisch und aktiv, um das Auftreten von negativen Antworten von ihm / ihr zu verhindern.

Die Art des Experiments ein Risiko für die Qualität der während der Sitzung aufgezeichneten Daten. Daher ist es von entscheidender Bedeutung, um alle Verbindungen und Datenqualität vor dem Start der Aufnahme-Session zu testen, und um sie während der Sitzung fortlaufend zu überwachen. Wenn die Daten EEG-System ist nicht die Aufnahme von Qualitätsdaten, stoppen Sie die Software und trennen Sie alle Verbindungen. Vor dem Neustart der Software oder dem Anschließen des Gerätes wieder auf dem Laptop, entfernen Sie alle mögliche Lärmquellen (dh, Netzteile) von der Nähe der Aufnahme-Hardware. Die EEG Hardware umfasst Signalverstärker, abholen können Umgebungsgeräusche, wenn in der Nähe von elektrischen Störquellen platziert. Für die IMU-Receiver, stellen Sie sicher, gibt es keine Störung in der Sichtlinie zwischen dem Empfänger und dem Experiment und Kind.

Dieser Versuchsaufbau stellt hohe zeitliche Auflösung neuronalen Daten durch Messen der elektrischen Aktivität an der Oberfläche der Kopfhaut. Jüngste Studien haben die Durchführbarkeit der diese Signale verwendet werden, zusammen mit Ganzkörper-Kinematik zu klassifizierenden Daten für die Mimik 20 identifizieren und funktionellen Bewegungen 21,22 nachgewiesen, was darauf hindeutet, dass diese vorgeschlagene Datenerfassungs Ansatz könnte zu einem besseren Verständnis des neuronalen führen Grundlage der Nachahmung bei Säuglingen.

Aktuelle Beiträge mit Hirndynamik 13,20,21 angewendet leistungsstarke Maschinenlernalgorithmen bauen eine wachsende Toolkit zur Oberflächenpotentiale in natürlicher se studierenArmaturen. Diese vorgeschlagene Setup bietet ein Spektrum an Möglichkeiten für Forschungsfragen angegangen werden 2,22. Insbesondere kann es angewendet werden, um konzentrierte sich die Forschung auf a) das Verständnis der neuronalen Grundlagen der kognitiv-motorische Entwicklung der Kinder auf der Basis einer großen Population von Probanden; b) das Verständnis der neuronalen Grundlagen der Absicht des Babys in 'Action und Rahmen ", die vorausschau des ankommenden Verhaltens Aktion sein sollte; c) Quantifizieren von gemeinsamen und einzigartigen neuronalen Mustern, um Individualität und Variabilität im sich entwickelnden Gehirn zu charakterisieren; und d) die Untersuchung der Entstehung von Nachahmung und Lernprozesse. Diese Ziele beinhalten den Einsatz von Algorithmen des maschinellen Lernens, die mit statistisch reich Daten sowohl im informative Gehirn stammenden Potenziale und Bewegung oder Muskelartefakte 12,20,23 umgehen können.

Diese Studie versucht, die kortikale Quellen und elektrischen Feldpotenziale mit den Säugling EEG-Daten zu schätzen. Wegendie technischen Schwierigkeiten wie der Mangel an Wissen in Säuglingskopf Leitfähigkeitswerte und die Dicke der kortikalen Materie, ist die genaue Modellierung des Kopfmodells eine schwierige Aufgabe. Weitere Studien sind für die nichtinvasive regionalen Gewebeleitfähigkeit Schätzungen bei Säuglingen 24 benötigt wird. Kortikalen Oberfläche Segmentierung von Säuglings MRT-Daten stellt eine zusätzliche Herausforderung aufgrund der schlechten Kontrast in den Bildern des sich entwickelnden menschlichen Gehirns 25 gefunden. Zukünftige Forschung ist notwendig, um diese Schwierigkeiten anzugehen und zu schätzen verschiedenen neurophysiologischen kindliche Entwicklung und Verhalten.

Schließlich könnte die vorgeschlagene experimentelle Protokoll und Verfahren bei der Untersuchung von Patienten mit geistiger Behinderung wie Säuglinge mit wahrscheinlichen Störung des autistischen Spektrums (ASD) eingesetzt werden. Bei einer solchen Anwendung wäre es wünschenswert, eine Kontrollgruppe und geeignete Entwicklungsabschätzungen, um die beiden Gruppen (Kontrolle und ASD) charakterisieren, gehören. Für PrüfungsB. könnte eine Arbeitsgruppe aller Hochrisiko (für ASD) Säuglings Geschwister mit der Autism Diagnostic Observation Schedule 26 beurteilt bestehen, um der Schwere der Symptome 27 und die Mullen Scales of Early Learning 28 kennzeichnen allgemeine kognitive Fähigkeit. Falls verfügbar, diffusionsgewichtete MRT-Aufnahmen wäre auch sehr wünschenswert, 29 zu sein.

Acknowledgements

Diese Arbeit wurde von Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Zuschlags # P01 HD064653-01 unterstützt. Der Inhalt ist allein in der Verantwortung der Autoren und nicht notwendigerweise die offizielle Meinung des NICHD oder der 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