İnsan Bebekler Serbestçe-davrandığını Sosyal Etkileşim sırasında Niyet Multimodal Sinir Coded Yeni Bir Deneysel ve Analitik Bir Yaklaşım

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

Temel insan yeteneklerinin biri stratejik hedefleri ve ödüller hizmetinde öğrenmek ve eylemleri (eylem üretimini) dağıtmak için yeteneği, uygun sosyal tepkiler üretmek için sosyal ortaklar (eylem anlayışı) hedeflerini yakalamak yeteneği ve becerisi gözlem ve taklit yoluyla 1 başkalarından öğrenmek için. Bu bilişsel-motor yetenekleri nöral baz olarak adlandırılan ayna nöron sistemi, en azından kısmen, atfedilmiştir; kimse bir eylemi gerçekleştirmeden birisi görüntülendiğinde ve bir eylem gerçekleştirdiğinde düşünülen bir sistem meşgul olmak için. Ancak, ayna nöron sistemi ve aksiyon anlayışı arasındaki potansiyel bağlantı henüz iyi 1 anlaşılamamıştır. İnsan bebeklerde bu ayna nöron sisteminin ortaya çıkışı ve gelişimini incelemek niyet ve ince taneli hareket verilerine korelasyon beyin aktivitesinin multi-modal veri toplama teknik sınırlamalar) bir engel olmuşturB) doğal olmayan (örneğin, bir video kaset tasvir bir madde ile sosyal etkileşim, elektroensefalografi sırasında eserler en aza indirmek için bir hareketsiz duruş korumak için ihtiyacı (EEG) kayıtları, vb) deneysel protokolleri dayattığı kısıtlamaları ve c) iletişim / dil engelleri genç bebekleri / büyük talimatlar vermesi ve davranışları doğrulamak için araştırmacının yeteneklerini sınırlamaz bebekler test ederken.

Değişen nöral ve doğal davranış davranış dinamiklerinin daha iyi anlaşılması için, küçük çocuklarda hedef odaklı ve sosyal davranışlar ortaya çıkan nöral substratların zamana bağımlı çalışma sağlar bir roman deneysel ve analitik bir yaklaşım geliştirdi. Özellikle, biz bir deneyci ile etkileşim sırasında özgürce davranıyor bebeklerin rekor beyin aktivitesi ve harekete EEG tabanlı mobil beyin görüntüleme (Mobi) yaklaşımını 2 konuşlandırdı. Ataletsel ölçü birimleri (lerle) mon kullanıldı© iniz konu ve deneyci en kinematiği.

EEG teknolojisi ve atalet sensörleri deneyci / aktör ile bir doğaçlama etkileşim bebeklerin eylem taklit ve hedef odaklı davranışlara bağlı sinir desen ve aktivasyonları incelemek için kullanılmıştır. Böyle uzanma-kavramak gibi eylemler,-teklif ulaşmak dinlenme gözlemlemek ve keşfetmek taklit rol oynayan bilişsel-motor süreçlerinin bir parçasıdır. Ayrıca, böylece beynin boyunca nöronal akımların Spatiotemporal dinamiklerini inceleyerek, davranışsal görevleri sırasında beynin içinde, elektrik potansiyellerinin jeneratörleri lokalize kaynak tahmini kullanın. Aynı şekilde biz değerlendirmek ve sensör (EEG) ve / veya kaynak mekanlarda nöral aktivitede aksiyon ilgili uzay-zamansal desenleri belirleyerek bu davranış eylemlerin öngörülebilirliği ölçmek için makine öğrenme algoritmaları dağıtın. Entegre geleneksel ERD / ERS, kaynak ve kod çözme analizi daha kapsamlı bir developmen sağlamakBu tür davranışların nöral temelleri tal açıklaması.

Bu kurulum bize Mobi yaklaşımının 2,3 avantajlarını istismar ve bebek ve onlar doğal bir kısıtlama olmaksızın ortaya gibi deneyci arasındaki sosyal etkileşimleri çalışmak için izin verdi.

Protokol, zaman konu / o bırakır, tamamlanması yaklaşık 1 saat sürer zaman geldi. Saç uzunluğu ve konunun işbirliği gibi faktörlere bağlı olarak 25 dk - IMU / EEG kurulum süresi ve elektrot konumu elde etme 15 arasında değişmektedir. Ekipmanın başlatma ve yapılandırma 10 dakika kadar ekler ve test seans yaklaşık 15 dakika sürer. Hipoalerjenik jelden bebeğin kafasını temizlemeyi içeren Imus ve EEG kap, çıkarılması, 5-10 dakika sürer.

Protocol

Aşağıdaki protokol incelenmiş ve Houston Üniversitesi Kurumsal Değerlendirme Kurulu tarafından onaylandı. Tüm bebek deneklerin velinin aldığını, okuduğunu ve katılım öncesinde onam formu imzaladı. Bebekler bir yaşına uygun oyuncak seçti oysa Veliler ücretsiz otopark ve çalışmaya katılımları için tazminat olarak 20 $ hediye kartla cezalandırıldı.

Işe bebek konuları aşağıdaki kriterlerini karşıladı: 6 ile 24 ay arası 1) Yaşı. 2) Bebek, sağlıklı, normal büyüme ve gelişme vardı ve doğum sorunları, sarsılmaların, nöbet, felç veya öğrenme güçlüğü öyküsü yoktu. Test bir bebek dışlayacak bazı ortak gelişimsel engelli örnekleri yutma güçlüğü, beslenme yetersizliğinden ve gebelik sırasında anne tarafından alkol veya uyuşturucu kullanımı vardır.

Kafa derisi EEG ile multimodal nöral faaliyet eş zamanlı kayıt için basitleştirilmiş bir akış şemasıdır veSerbest davrandığını bebeklerde lerle Şekil 1 'de sunulmuştur.

1. Aydınlatılmış Onam

  1. Ebeveynlere deneysel oda gösterin ve kısaca onlara deney amacını açıklar.

2. Saç Derisi EEG Hazırlık

  1. Not: EEG sistemi kullanılmıştır (Tablo 1) çıkarılabilir elektrotlar ile bir aktif elektrot sistemi oluşur. Empedans seviyeleri LED'leri kullanarak elektrotlar üzerinde gösterilir.
  2. Cm bebeğin baş çevresi ölçün. Başın arkasında kaşları üzerinde ve oksipital önem etrafında geçen, başın en geniş parçası etrafında bir ölçüm bandı yerleştirin.
    Not: baş çevresi ölçümü uygun boyutta bir EEG kap seçilmesi için gereklidir. Tablo 1'de açıklanan bebek nüfus için özel boyutları vardır.
  3. Tarafından belirtilen gibi bir uygun büyüklükte bir EEG kap (Tablo 1) ile ilgili bir yer elektrotlar10-20 uluslararası sistem. Kapak kafa derisi üzerinde elektrotların doğru yerleştirilmesini sağlar.
    Not: bebek çalışması konuma geldiğinde zaman hazır kap tercih edilir. Kafa büyüklüğü hakkında bilgi saatinden önce ebeveynlerden alınan ya da çevrimiçi [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm] tabloları kullanarak yaklaşık olarak hesaplanabilir. Baş ölçüm araştırmacının yaklaşım karşılık vermezse, yeni bir kapak hazırlanmış olmalıdır. Birden kapaklar ve elektrot varsa, birden kapaklar hazırlık süresini en aza indirmek için önceden ayarlanabilir.
  4. Ebeveyne jelleşme prosedürü açıklar. Onlara her elektrot jeli uygulayın ve onların deride iğne hissediyorum izin için kullanılan künt iğne ve şırınga göster. Jelleşme prosedürü üzerinde gitmek için bir demo EEG elektrodu ve saç derisi kapağı kullanın.
  5. Saçlı deri yüzeyinin midsagital düzlemi boyunca inion nasion mesafeyi ölçün. Scal sığdırmak için devam edinBebek arkasından p kap.
  6. Başın tepe ile Cz elektrot hizalayın. Hizalayın ve nasion ve inion arasındaki mesafenin alnına yaklaşık% 10 Fp1 ve FP2 elektrotlar ortalamak geçin. Başın midsagital düzlemi boyunca simetrik derisi kapağını hizalayın. Emin orta elektrotlar [AFZ, Fz, FCz, Cz, CPZ, Pz, POZ, Oz] yapın nasion ve inion ile uyumludur. Bittiğinde, çene altına takarak kapağı sabitleyin.
    Not: o / o EEG kap ile donatılmış edilirken bebeği oyalamalıyız. Bir yaş uygun video yaygın Kurulum sırasında bebeklerin dikkatini dağıtmak için kullanılır.
  7. Kontrol kutusuna referans zemin ve kayıt elektrotlar bağlayın. Kontrol kutusundan empedans göstergelerine açın.
  8. Zemin ve referans elektrotlar ile başlayarak, 60 kohm Aşağıdaki her elektrot önlemlerinin empedansı kadar kafa derisi ve elektrot arasındaki boşluğa elektrolit jel enjekte küçük bir şırınga kullanın. Bu ind olduğunuelektrotlar üzerinde sarı veya yeşil ışıkla gili. EEG elektrot hazırlanması ilgili ayrıntılı bilgiler 4 mevcuttur.
    Not: jelleşme prosedürü sırasında, bebek çeşitli nedenlerle (merak, korku, yönlendirilir dikkat) için yaptığı / başını hareket olabilir. Bu nedenle ikinci deneyci veya ana bebek dikkatini dağıtmak için devam etmesi önerilir. Nedeniyle konunun beklenmedik hareketine iğne ile bebeğin yüzünü vurma riskini önlemek için bebeğin başının arkasından şırınga kullanın.
  9. USB dönüştürücü fiber optik-kullanan bir USB bağlantı noktası üzerinden sunucu bilgisayara amplifikatörler bağlayın.
    Not: Şekil 2A EEG başlık ve IMU yerleştirme ile bebek konu kurulumunu göstermektedir. Konuya yük serbest hareketlilik sağlayan elektrot kabloları ve kontrol kutusu kaldırdı dikkat edin. Şekil 2B 10-20 etiketleme sistemi aşağıdaki EEG Çanak en elektrot konumları bir topografik görüntüler.

3. lerle Hazırlık

  1. IMU yazılımını açın. Grafik arayüz üzerinde "Yeni" üzerine tıklayın.
  2. Sonra Imus yapılandırmak için iletişim kutusunda "Configure" butonuna tıklayınız. 128 Hz örnekleme frekansını ayarlayın.
  3. Baş, göğüs ve bebeğin sağ ve sol bilek Imus sabitleyin.
    Not: Şekil 2A bakınız. Buna paralel olarak, Imus ile denemenin bileklerini uygun. Emin olun lerle atalet ölçüm hataları en aza indirmek için vücuda iyi sabitlenir.
  4. Kayışları kullanarak, el bileğinin sırt tarafında bilek Imus yerleştirin. Bir koşum takımı kullanılarak göğüs merkezine yakın ventral yüzeyinde göğüs IMU yerleştirin.
  5. O çene sol tarafında yakın olacak şekilde kafa derisi kapağının çene askıları baş IMU takın. Onlar odaklı LED ışık ile, dışa bakacak şekilde Imus yerleştirin.
    Not: lerle her biri yaklaşık 22 gr ağırlığında ve onların küçük boyutlu ve hafif m engel olası değildirovement. Ek bir deneyci aşama 2.8 'de tarif edilen nedenlerden dolayı bebek dağıtmak için gerekli olabilir.

4. Video Yakalama ve Veri Akımlar senkronizasyonu

  1. Talep video kamera (18), bebek (12), aktörün (14), ve LED tetikleyici (13) tüm açıkça görülebilir ve böylece. Şekil 4 Bkz.
    Not: Video kayıtları görsel bilgi notuna ve deneyci tarafından tetiklenen davranışların segmentasyon, yanı sıra kayıt oturumunun başında ve sonunda onay sağlamak için kullanılır.
  2. EEG tetikleme giriş / çıkış muhafaza (7) bağlayın (5) ve lerle (4). Şekil 3 Bkz.
    Not: (7), Şekil 3'te gösterilen bir özel giriş / çıkış muhafazası bir kayıt tüm kaydedilen veri akışları (EEG, lerle ve video) ve böylece kullanımı olay işaretlerini hizalamak için tasarlanmıştır (video gibi) ya da analiz yardım Başka bir kayıt (örneğin EEG veya hızlanma gibi). Bu kullanarak gerçekleştirilir, depresif, (DB-25 paralel port üzerinden) EEG (Ground + V) tetikleme darbesi bir aktif-düşük göndereceğiz tek anlık buton, ve video (mini-DIN-6 bağlantı aracılığıyla) IMU (tarafından video kameranın görüş alanı), eş zamanlı olarak kayıtları konumlandırılmış bir ışık-yayan diyot (LED) aydınlatıcı. A 7404 IC mantık invertörlü çip LED güç için gerekli gerilim potansiyeli sağlayarak, yüksek devlet (+ V) nabız düşük devlet (Toprak) dönüştürmek için kullanıldı.
  3. Tetik düğme ve veri toplama bilgisayara yakın bir deneyci yazıldı. Deneyci, tetiği işletim deney boyunca veri kalitesinin izlenmesi ve verilerin kaydedilmesi sorumludur.

Test Çevre 5. Hazırlık

  1. Şekil 4 Bkz.

6. Veri Toplama

  1. "Empedans seçerek kontrol yazılımı kullanılarak EEG elektrotları başlangıç ​​empedans değerlerini kaydedin"Sekmesinde, radyo düğmesi tıklayarak" Empedans On "(stabilize etmek elektrot empedans değerleri için yaklaşık 5 sn bekleyiniz) ve tıklayarak" Kontrol kaydet empedans "radyo düğmesini empedanslarının kaydedin. Şekil 5'e bakınız.
  2. Hiçbir filtreler EEG veri toplama sırasında uygulanır.
  3. EEG kaydedici programında, EEG verilerini recoding başlamak için daha sonra "Play" "Monitör" seçeneğini tıklayın. Şekil 6 Bkz.
  4. IMU yazılımında, IMU verileri kaydetmeye başlamak için iletişim kutusunda "Stream" ve daha sonra "Kaydet" butonuna tıklayınız. Şekil 7 bakınız.
  5. Üç tetikler (III) giriş / çıkış muhafaza (7) üzerine basma kullanarak deney başlangıç ​​sinyal uygulayın. Kayıt sırasında 1 dakika boyunca bebek dinlendirin. Bu ilk temel verileri sağlar.
  6. Deneyi gerçekleştirmek ve gerektiğinde bebek konu molalar izin verir. Her deney deneme bir dönüş alma görevi oluşur nerede aktör gösterileriBir nesneyi kullanarak bebeğe bir eylem (genellikle, ama her zaman değil, bir oyuncak), bir taklit yanıtını başlatmak için bir çaba bebeğe geçirir ve nihayet geri bebek nesneyi alır.
    Not: Bu değişim genellikle 4-5 çalışmalarda veya bebek nesne başka ilgi gösteriyor kadar tekrarlanır.
  7. Oturumun çevre göz önüne alındığında, video kayıt kullanarak veri toplama sonra her davranışın zamanlamalarını açıklama.
  8. EEG elektrotları son empedans değerlerini kaydedin. Adım 6.1 bakınız.
  9. EEG elektrot 3D tarayıcı ve yazılım ve ilgili yazılımları kullanarak EEG elektrotları 3D mekansal koordinatlarını Digitize.
  10. 3D tarama yazılımını başlatın. "Dosya" ve "yeni bir çalışma alanı" seçeneğini seçmek için gidin. Çalışma alanının ilk sekmesinde elektrot pozisyonu dosyasını yükleyin ve depolama sekmesinde gerekli bilgileri sağlamak.
  11. Tarama araç çubuğunda, yıldızı "tıklayınt tarama ". Kapağındaki değişen ışık desenleri takip ederek elektrot konumları taramak için, yaklaşık 30 cm bebeğin kafasından, 3D tarayıcı kullanın. Tarama işlemi tamamlandıktan sonra, yazılım otomatik olarak sonuçlarını kaydedecektir.
    Not: başın arkasında, kablolar nedeniyle bebeğin başının küçük boyutu elektrotlar üzerindeki ışıkları bloke edebilir. Yazılım kullanıcı sonuçlarını ödün vermeden tarama bazı elektrotlar kaldırmak için izin verir. Gerekirse tarama oksipital elektrotları çıkarın.

7. Davranışsal bölümleme

  1. Deney oturumun video kaydı kontrol edin ve tetik LED'i yanıp söner zamanı işaretlemek (yani deney başlar ve biter), ve ne zaman adım 6.6 başlangıcı ve sonunda daha önce bahsedilen davranışların herhangi.

8. Kaynak Görüntüleme

  1. Not: Kaynak görüntüleme doğru bir jeneratör belirleyebilirEEG beynin içindeki potansiyelleri ve genellikle ileri ve ters problem çözme 5 oluşur.
  2. Böyle yaşamın 6,7 ilk iki yıl için (ay) yaş bir fonksiyonu olarak ortalama MRG şablonları içeren Nörogelişimsel MRI veritabanı gibi kamu malı veritabanlarından Yüksek çözünürlüklü T1 ağırlıklı Manyetik Rezonans Görüntüleme (MRI) verileri edinin.
    Not: Bu çalışma bebeklerin sadece yaşa uygun ileri kafa modelleri kullanır ve MRG şablonu seçerek bu nedenle seks bilgileri dikkate alınmaz).
  3. Nörogelişimsel MR veritabanından 8'den MRG hacimleri olarak (yani, gri madde, beyaz cevher, kafa derisi, iç ya da dış kafatası) baş bölmeleri dahil sınır elemanları modelleri (BEM) için kaynak hacimlerini edinin.
  4. Ön işlem BEM MR hacim Curry 7 veya benzeri beyin görüntüleme yazılım paketi beyin ve kafa bölmeleri yüzeyini ayıklanması gerçekçi bir kafa modeli elde etmek için.
  5. MR ağırlıklı T1 içe aktarın. Elle gibi sol / sağ ön aurikular noktaları ve beyin görüntüleme yazılımı içinde nasion veya benzer bir paket olarak üç referans noktaları belirlemek.
  6. MR adlı uzay ve MR belirtilen referans noktaları takarak öznenin alan ve beyin görüntüleme yazılımı veya benzeri paketini kullanarak adımlarla 6,9-6,11 3D tarayıcı ile elde edilen fiducials arasına katı geometrik dönüşüm elde etmek için EEG ve MRG alanı Co-kayıt.
  7. Ileri modeli çözün.
    Not: İleri problem başının ve baş hacmi 9,10 elektriksel iletkenlik özellikleri geometrisini temsil eden bir kafa modeli tanımını kapsar.
  8. Ters sorunu çözmek
    Not: ters problem konum, güç ve sinyal işleme teknikleri 11 ile kafa derisi EEG sinyallerinden beyinde bir kaynaktan bir zaman süreci anlaması için çalışır.
  9. Sürekli SegmentGörev başlangıcı etrafında denemeler içine EEG verileri (örn., Taklit, gözlem kesimleri) 2 sn uzunluğu öncesi ve sonrası görev başlangıç ​​kesimleri ile. Her denemede "kötü kanallar" ve diğer artefakt çalışmalarda yüksek empedanslı kanalları tanımlayın. Ön işlem artefakt reddi için EEG verileri ICA kullanarak ve eser-ücretsiz kanalları komşu ortalaması ile kötü kanalları yeniden. 12,13,14.
  10. Mümkün olan en iyi kaynak yerleri belirlemek için tüm beyin üzerinde arar otomatik optimizasyon algoritmasına girdi olarak öne modelini kullanın.
  11. Görme tahmin kaynakları analiz ve en beklentiniz deney doğadan ön bilgilere dayanarak eşleşecek çözüm pick up ve bunları dikkatle yorumlamak.
    Not: Bu adım sebebiyle ters problemin kötü poz doğaya biri en önyargılı olduğunu, yani kaynakların farklı konfigürasyonları aynı yüzey potansiyelleri neden olabilir. Bu nedenle, Verilen bir kafa modeli ve ters bir yöntem de çalıştığını doğrulamak için bir sağlamlık denetimi gerçekleştirmek için yararlı olabilir.
  12. Bilinen bir simüle dipol lokalize bir aklı kontrolü yapın. Yani, verilen kafa modeli yer için bilinen yapılandırma ile dipol ve bu dipol için simüle gerilimler elde etmek için ileri sorunu çözmek.
  13. O simüle dipolleri döndürür emin olmak için, aynı kafa modeli bu gerilimleri ters sorununu çözün.
    Not: Bu aklı kontrolleri başlangıçta yüksek bir doğruluk derecesi yerleştirilen dipolleri dönmelidir.

Representative Results

Şekil 8 görüntüler konu ve deneyci arasındaki etkileşimi sırasında kaydedilen bir 16 sn zaman penceresinde için Imus örnek EEG ve ivme verileri. EEG verileri 100 Hz yeniden örneklenmiş ve sonra bant-geçişli bir 3 düzeni, sıfır faz Butterworth filtre kullanarak [1-40 Hz] süzülür. Yüksek empedans değerlerinin (Z> 60 kohm) ve periferik kanallı Kanallar, 12,15 atıldı. Lerle 128 Hz dokuz sinyalleri kaydetti: manyetik akı, açısal hız ve çizgisel ivme üç Kartezyen eksende. Burada yerçekimi telafi (GC) hızlanma büyüklüğünü göstermektedir. Yerçekimine bağlı ivmenin etkisi küresel çerçevede 16 IMU yönünü tahmin etmek bir Kalman filtresi uygulanarak telafi edilmiştir. Veri video kayıtları (7.1 Adım) ve görsel inceleme ile segmente edildi. Noktalı dikey çizgiler olayın sonunu temsil olarak dikey katı çizgiler, ilgi davranışının başlangıç ​​gösteriyor.

Şekil 8'de gösterilen EEG verileri mevcuttur. Bu deney protokolünde veri toplama kısıtsız bir yaklaşım göz yanıp söner, göz hareketleri, hareket ve elektromiyografik eserler duyarlı EEG verilerini yapar. Veri delta-band (1-4Hz) onu sınırlamak için bir 3. sırası sıfır faz Butterworth bant geçiren filtre kullanılarak Önişlenmiş ve ortalama çıkarılarak ve standart sapma ile bölünerek standardize edilmiştir. Yüksek genlik eserler Artifact Altuzay Temizleme (ASR) yöntemini kullanarak 17 otomatik çıkarıldı. Ayrıca, periferik kanallar miyoelektrik eser kontaminasyonu en aza indirmek için bir çaba veri analiz dışında tutulmuştur. Frontal ve temporal kas kasılmaları periferik yerlerde en belirgin EEG sinyali ile birleştirme: Frontal daralma ön yerlerde gösterir ve temporal kasılma yanal frontal ve tempor kadar gösteriral yerleri 15.

Bu protokol ile toplanan verilerin niteliği incelemek için EEG veri histogramlar Şekil 9A Şekil 9'da çizildi, üç mekansal temsili elektrotlar standart sinyal veri dağıtım anlatılmaktadır. EEG verileri analiz davranışları için bir multimodal dağılımını göstermektedir. Şekil 9B'de basıklık değerlerinin verilerin daha kolay görsel muayene için çubuk grafikler olarak sunulmuştur.

Sınıflandırma özellikleri azaltılmış set bir model (Gauss Karışım test / her EEG kanalı zaman bazlı gecikme ayıklanan her sınıf (Yerel Fisher diskriminant analizi (LFDA)) 18 yerel dağılım koruyarak boyutluluk azaltılması ve eğitim ile gerçekleştirildi Modeller (GMMs)) 19. Eğitim / test numuneleri rastgele 20 yineleme (yani, çapraz doğrulama) Herhangi bir ov önlemek için üzerine örneklenmişörneklem büyüklüğü er-fitting.Training/testing~~V reddedilen kanallar (yani empedans fazla 60 kHz), deney oturumun uzunluğu numara verilir ve denemeler ve davranışların sayısı değişir dile getirdi. Bununla birlikte, her sınıf (davranış) için kullanılan bir eğitim ve test numune sayısı en az nüfuslu sınıfı 50% gelir. Bir örnek olarak, her sınıfın test seti büyüklüğü Şekil 10'da gösterilen bebek verileri için 1069 örnekleri. Tüm ön işleme ve sınıflandırma adımlar MATLAB programlama ortamında hesaplanmıştır N = olduğunu.

Şekil 11, bir adım adım bir şekilde bu çalışmada gerçekleştirilen EEG kaynağı tahmini için tüm prosedürü göstermektedir. Her adımla ilgili daha fazla ayrıntı da bölüm 8'de özetlenmiştir.

"Reach-arzı sırasında Şekil 12 mu ritmi (5-9 Hz) (de) senkronizasyon (ERD / ERS) ile ilgili olayın sonuçları ve dipol kaynakları1; Görev. ERS ve ERD referans aralığı (olay öncesinde alınan bir segment) ile karşılaştırıldığında olayın (ulaşabilir ve teklif görev) sırasında aralığını meydana gelen bir frekans bandı gücünde azalma veya artış yüzdesi olarak hesaplandı. Bu rakam aynı zamanda bebek ve aktör hem de bileklerinden görevi sırasında elde edilen gravite-telafi büyüklüğü ivmesini göstermektedir. Bir dipol analizi için EEG sinyalleri arka plan gürültüsünü ortadan kaldırmak için bağımsız bileşen analizi (ICA) kullanılarak çürümüş bulundu. Kaynak tahmini sabit MÜZİK algoritması 5 üzerinden ICA önişleme sonra mu ritminde gerçekleştirildi. Beklendiği gibi, kaynaklar söz konusu nesneyi kavramak için sol elini kullanan iken sağ primer motor alana lokalize edildi.

actiCAP EEG elektrotları 64 yüzbaşı rütbesine *
Ürün adı Şirket Nicelik
BrainAmp Amplifikatör Beyin Ürünleri, Gmbh 2
Beyin Ürünleri, Gmbh 10
actiCAP Kontrol Kutusu Beyin Ürünleri, Gmbh 1
Beyin Vizyon Recorder yazılımı Beyin Ürünleri, Gmbh 1
actiCAP Kontrol Kutusu yazılımı Beyin Ürünleri, Gmbh 1
CapTrak Beyin Ürünleri, Gmbh 1
CapTrak yazılımı Beyin Ürünleri, Gmbh 1
Opal hareket monitör APDM, Inc. 6
Opal yerleştirme istasyonu APDM, Inc. 6
Opal kablosuz erişim noktası APDM, Inc. 1
Hareket Studio yazılımı APDM, Inc. 1
Tetik kutusu Görenek 1
Video kamera HC-W850M, Panasonic A.Ş. 1
* EEG kapaklar bebekler için aşağıdaki baş çevresi boyutlarda gelir: 42, 44, 46, 48, 50 cm. Bu protokol için, her boyutta 2 kapaklar stok tavsiye edilir.

Tablo 1 Ekipmanları.

figür 1
1. Akış diyagramları Şekil. Deneme kurulumu (A) akış diyagramı. (B) Veri toplama oturumu akış diyagramı. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 2,
Şekil 2. Konu setup ve veri toplama için hazır. (A) EEG kap giyen konunun Frontal görünümü ve dört lerle. (B) 10-20 standart elektrot konumlandırma sistemini kullanarak 64 kanallı EEG kap topografik gösterimi. Bir görüntülemek için tıklayınız Bu rakamın daha büyük bir versiyonu.

Şekil 3,
Şekil 3. Veri toplama ekipmanları ve test odası. (A) Veri toplama ekipmanı kurulumu: EEG kontrol kutusu (1), EEG kap (2), tetik (3), kablosuz IMU veri alıcı (4), EEG yükselteçleri (5), oyuncak kutusu (6), tetik buton (7), veri toplama dizüstü (8), lerle docking station (9). (B) EEG kap, aktif elektrotlar ve kontrol kutusunun Close-up. (C) Imus ve kablosuz alıcı anlatim, trigge r buton, EEG yükselteçleri ve veri toplama dizüstü bilgisayarlar. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 4,
Deneysel ortamda Şekil 4. şematik gösterimi. EEG kontrol kutusu tutucu (10). Kişinin veli sandalyeye (11) oturur, deneyci sandalye (14) üzerine oturur ve verileri izleme kişi sandalyeye (17) üzerine oturur. Deney düzeneği kalanı gösterilir. Etkileşim masanın üzerinde (12), tetiği (13), oyuncak kutusu (15), veri toplama tablosu (16), video kamera yerleştirme (18), bu daha büyük bir versiyonunu görmek için buraya tıklayınız rakam.

"Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/>
Şekil EEG kontrol yazılımının 5. Ekran. Oklar adım 6.1 ve tarif edilen yazılımda önemli simgeleri işaret 6.8. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 6,
EEG kayıt yazılımı Şekil 6. Ekran. Oklar adım 6.2 ve 6.3'e açıklanan yazılımın kilit simgeleri işaret. Canlı akışı ham verilerin bir bölümü gösterilmiştir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

pg "/>
Şekil lerle yazılımı 7. ekran görüntüsü. Kırmızı kutular aşama 6.4 tarif yazılımda önemli simgelerini vurgulamak. (A) Ana komut penceresi. (B) yapılandırma penceresi. (C) Kayıt penceresi. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 8
Şekil temsili bir deneysel oturumdan 8. Örnek veri. (A) EEG ve ivme verileri gösterilir, hem bant geçiren [1-40Hz] süzülür. Seans boyunca düşük empedans (Z <60 kohm) ile EEG elektrotları görüntülenir. Katı dikey çizgiler davranış başlangıcını işaret (B) Hareketsiz davranışları yapan bebek temsillerini çerçeve analiz:., Gözlemleyin Reach-kavramak, Reach-teklifi, Imitate, keşfedin, istirahat. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 9
Belirlenen altı davranışları için EEG genlik Şekil 9. Örnek histogramlar. A) gösterilen veriler 20 aylık bebek ile bir oturumda kaydedilen üç elektrotlar (CP2, FC5, POZ) den ham verilere karşılık gelir. Histogramlar olaylar en yüksek sayısına ölçekli ve her histogramın basıklık her arsa sağda gösterilir. Her davranış için örnek veri davranışlarının çoğu. B multimodal dağılımı) Kürtozis dikkat edin. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.


Şekil 10. EEG özgürce davranıyor bebeklerde 12 davranışsal eylemler öngörüyor. 20 aylık bir bebek için sınıflandırma doğruluğu için örnek bir karışıklık matrisi gösterilmektedir. Genel çözme doğruluğu sağ alt köşesinde görüntülenir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Şekil 11
Şekil 11. Kaynak Yerelleştirme. Anatomik MRG ve fonksiyonel bir EEG verilerini kullanarak bir bebek dipol kaynak lokalizasyonu için gerekli adımlar. Bu şekil daha büyük bir versiyonunu görmek için buraya tıklayınızure.

Şekil 12
Şekil 12. Reach-teklif görev analizi profili. EEG ortalama Küresel Alan Güç Mu bandında (5-9 Hz), bebeğin bacak hareketi yörüngelerde) "Reach-Teklif" görev. B gerçekleştiren bir bebeğin A) Anlık ve aktör; Büyük tüm kanallar. C) "Hareket başlangıç" ve "Hareket Tamamlama" nin iki olay için yerelleştirilmiş dipol kaynaklarından olaya ilişkin spektral pertürbasyon ortalama. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Discussion

Açıklanan protokol gerçek zamanlı olarak bir deneyci ile etkileşim ise özgürce davranıyor bebeklerin veri toplamak için bir metodoloji sunar. Aynı anda stratejik vücut yerlerde Imus ile kinematik verilerin kayıt sırasında nöral aktiviteyi yakalamak için mobil beyin görüntüleme teknolojisi (kafa derisi EEG) kullanır. Deney oturumu da bir video kamera ile kaydedilmiştir. Üç veri kayıt sistemleri, özel bir tetik sistemi kullanılarak senkronize edilir.

O / o özgürce deneme oturumu sırasında hareket olarak EEG ve IMU sistemi konuya bağlanıyor. Doğru kinematik yakalamak mümkün lerle güvenli sarılı gerekir. Konunun tam kısıtlamasız hareketlilik sağlamak için ekipman mümkün olduğunca minimal müdahaleci olmak zorundadır; Böylece sahibinin kullanımı EEG en elektrot kablolarını ve EEG kontrol kutusu desteklemek. Deneyci, daha sonra yaklaşık 15 dakika boyunca bebek ile etkileşime girer. Infant etkileşim sırasında davranışların yaşa bağlı repertuarı ortaya çıkarır. Bunlar gözlemlemek, araştırmak, dinlenme, ulaşmak-kavramak, ulaşmak-teklifi içerir ve taklit. Ancak, bazı bebeklerde nedeniyle yorgunluk, konfor, ya da stres eksikliği oturumda işbirliği isteksiz olacaktır. Çocuk ona / ondan olumsuz yanıtların oluşumunu önlemek için en dinamik ve aktif olduğunda deney planlamak için emin olun.

Deney doğa oturumu boyunca kaydedilen verilerin kalitesine riskleri sunar. Bu nedenle, kayıt oturumu başlamadan önce tüm bağlantıların ve veri kalitesini test etmek ve oturum sırasında sürekli onları izlemek için çok önemlidir. Veri EEG sistemi kaliteli veri kayıt değilse, yazılımı ve tüm bağlantıları çıkarın. Yazılım yeniden başlatılmasını veya dizüstü geri ekipman bağlamadan önce, kayıt donanım yakınlık tüm olası gürültü kaynaklarını (örneğin, güç kaynakları) çıkarın. EEG donanım elektriksel gürültü kaynaklarına yakın yerleştirilir eğer çevresel gürültü alabilirsiniz sinyal amplifikatörleri içermektedir. IMU alıcı için, alıcı ve deney ve bebek arasındaki görüş doğrultusunda hiçbir girişim olduğundan emin olun.

Bu deney düzeneği kafa derisi yüzeyinde elektriksel aktiviteyi ölçerek yüksek zamansal çözünürlüklü sinir verileri sağlar. Son çalışmalar, bu önerilen veri toplama yaklaşımı nöral daha iyi anlaşılmasına yol açabileceğini düşündüren, etkileyici hareketler 20 sınıflandırılamaz bilgileri tanımlamak için, tüm vücut kinematik ile birlikte bu sinyalleri, kullanan yapılabilirliğini ve fonksiyonel hareketleri 21,22 göstermiştir bebeklerde taklit temeli.

Beyin dinamikleri 13,20,21 uygulanan güçlü makine-öğrenme algoritmaları içeren son katkıları daha doğal se yüzey potansiyelleri incelemek için büyüyen bir araç inşa ediyoruzhazrl. Bu önerilen kurulum araştırma soruları için olasılıklar spektrumu 2,22 ele alınması sağlar. Özellikle, bu konularda geniş bir nüfusa dayalı bebeklerin bilişsel-motor gelişim nöral temelini anlamak) bir odaklanmış araştırmalara uygulanabilir; b) Gelen davranışsal eylemin tahmini olmalı 'eylem ve bağlam', bebeğin niyet nöral temelini anlamak; c) gelişmekte olan beyinde bireysellik ve değişkenliği karakterize yaygın ve benzersiz sinir desenleri miktarının; ve d) taklit ve öğrenme süreçlerinin ortaya çıkması okuyan. Bu hedefler bilgilendirici beyin kaynaklı potansiyel ve hareket veya kas eserler 12,20,23 hem istatistiksel veriler zengin başa çıkabilirim makine öğrenme algoritmaları dağıtımını gerektirir.

Bu çalışma bebek EEG verilerini kullanarak kortikal kaynakları ve elektrik alan potansiyelleri tahmin etmeye çalışır. NedeniyleBöyle bebek kafa iletkenlik değerleri ve kortikal madde kalınlığında bilgi eksikliği gibi teknik zorluklar, baş modeli doğru modellenmesi zor bir iştir. Daha ileri çalışmalar bebeklerde 24 noninvaziv bölgesel doku iletkenlik tahminleri için gereklidir. Bebek MRG verilerinin Kortikal yüzey segmentasyon nedeniyle gelişen insan beyninin 25 görüntüleri bulunan yoksul kontrast ek bir meydan okuma sunuyor. Gelecekteki araştırmalar bu zorlukları ele almak için gerekli ve bebek gelişimi ve davranış çeşitli nörofizyolojik karşılıklarını tahmin edilmektedir.

Son olarak, önerilen deneysel protokol ve yöntemleri, muhtemel otizm spektrum bozukluğu (ASD) bebeklerde olarak gelişimsel engelli olanların çalışmasında konuşlanmış olabilir. Böyle bir uygulamada, bu iki grup (kontrol ve ASD) karakterize etmek için bir kontrol grubu ve uygun bir gelişim değerlendirmeler dahil etmek arzu edilir. Sınavaple, bir çalışma grubu Otizm Tanı Gözlem Çizelge 26 ile değerlendirilen bebek kardeşler (ASD için) tüm yüksek riskli oluşur olabilir, semptom şiddeti 27 ve Erken Öğrenme 28 Mullen Ölçekleri genel bilişsel yetenek karakterize etmek. Mevcuttur, difüzyon ağırlıklı MR incelemeleri de 29 çok arzu olurdu.

Acknowledgements

Bu çalışma Çocuk Sağlığı ve İnsan Gelişimi (NICHD) Ödül # P01 HD064653-01 Eunice Kennedy Shriver Ulusal Sağlık Enstitüleri tarafından desteklenmiştir. Içeriği sadece yazarların sorumluluğundadır ve mutlaka NICHD veya Ulusal Sağlık Enstitüleri resmi görüşlerini temsil etmemektedir.

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