Un nuovo approccio sperimentale e analitico al multimodale neurale decodifica di intenti durante l'interazione sociale in Liberamente-comportarsi neonati umani

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

Una delle capacità umane fondamentali è la capacità di imparare e implementare azioni (produzione azione) strategicamente al servizio di obiettivi e ricompense, la capacità di comprendere gli obiettivi delle parti sociali (comprensione delle azioni) al fine di produrre adeguate risposte sociali, e la capacità di imparare dagli altri attraverso l'osservazione e l'imitazione 1. La base neurale di queste capacità cognitive-motori sono stati attribuiti, almeno in parte, al cosiddetto sistema specchio; un sistema che è pensato per essere impiegata durante uno vede qualcuno eseguire un'azione e quando si esegue l'azione. Tuttavia, il potenziale legame tra il sistema dei neuroni specchio e la comprensione di azione non è ancora ben compreso 1. Studiare la nascita e lo sviluppo di questo sistema dei neuroni specchio nei neonati umani è stato ostacolato da a) le limitazioni tecniche di acquisizione dei dati multi-modale di attività cerebrale correlate a dolo e dati di movimento a grana fine, B) i vincoli imposti dai protocolli sperimentali che sono (ad esempio, l'interazione sociale con un agente raffigurato in una videocassetta, la necessità di mantenere una postura ancora per ridurre al minimo gli artefatti durante elettroencefalografico (EEG) registrazioni innaturali, ecc), e c) le barriere di comunicazione / lingua quando si verifica bambini piccoli / bambini piccoli che limitano notevolmente le capacità del ricercatore di dare istruzioni e convalidare comportamenti.

Per una migliore comprensione del neurale varia e dinamiche comportamentali di comportamento naturale, abbiamo sviluppato un approccio sperimentale e analitico romanzo che permette lo studio risolta nel tempo dei substrati neurali del comportamento goal-oriented e sociali emergenti nei bambini piccoli. In particolare, abbiamo implementato un EEG basato brain imaging mobili (MoBI) Approccio 2 per registrare l'attività cerebrale e il movimento di bambini, liberamente si comportano durante l'interazione con uno sperimentatore. Unità di misura inerziale (Imus) sono stati usati per monitor cinematica soggetti e sperimentatore di.

La tecnologia EEG e sensori inerziali sono stati utilizzati per studiare gli schemi neurali e attivazioni associate imitazione azione dei neonati e dei comportamenti goal-oriented in una interazione senza copione con uno sperimentatore / attore. Azioni come portata da afferrare, raggiungono-offerta, osservano, riposo, ed esplorare sono tutti parte dei processi cognitivo-motorie coinvolte nella imitazione. Inoltre, usiamo stima fonte di localizzare i generatori di potenziali elettrici nel cervello durante l'attività comportamentali, studiando così le dinamiche spazio-temporali delle correnti neuronali in tutto il cervello. Allo stesso modo abbiamo distribuire macchina algoritmi di apprendimento per valutare e misurare la prevedibilità di queste azioni comportamentali identificando modelli spazio-temporali di azione rilevante l'attività neurale in sensore (EEG) e / o gli spazi di origine. Integrare tradizionale ERD / ERS, fonte e l'analisi di decodifica fornire una più completa SVILUPPOTal descrizione della base neurale di tali comportamenti.

Questa messa a punto ha permesso di sfruttare i vantaggi dell'approccio MoBI 2,3 e studiamo le interazioni sociali tra il bambino e lo sperimentatore in quanto naturalmente avvengono senza restrizioni.

Il protocollo, dal momento in cui il soggetto arriva il momento lui / lei lascia, richiede circa 1 ora per completare. L'IMU / EEG tempi di configurazione e posizione degli elettrodi acquisizione varia 15-25 minuti a seconda di fattori quali la lunghezza dei capelli e la cooperazione del soggetto. L'inizializzazione e la configurazione dell'apparecchiatura aggiunge fino a 10 min, e la sessione di test dura circa 15 min. La rimozione del Imus e tappo EEG, compresa la pulizia della testa del bambino dal gel ipoallergenico, prende 5-10 min.

Protocol

Il seguente protocollo è stato esaminato e approvato dal Comitato Istituzionale presso Review l'Università di Houston. Genitori o tutori tutti i soggetti infantili 'ricevuto, letto e firmato un modulo di consenso prima della partecipazione. I genitori hanno ricevuto un parcheggio gratuito e una carta regalo $ 20 come compenso per la loro partecipazione allo studio, mentre i bambini hanno scelto un giocattolo consono alla sua età.

I soggetti reclutati infantili soddisfatti i seguenti criteri: 1) Età compresa tra 6 e 24 mesi. 2) Infant era sano, aveva normale crescita e sviluppo, e non ha avuto storia di natale questioni, commozioni cerebrali, convulsioni, ictus, o difficoltà di apprendimento. Esempi di alcune disabilità dello sviluppo comuni che escluderebbero un neonato dai test sono ritardo di crescita, denutrizione, e l'uso di alcool o droghe da parte della madre durante la gravidanza.

Un diagramma di flusso semplificato per la registrazione simultanea dell'attività neurale multimodale via e cuoio capelluto EEGImus nei neonati liberamente comportano è presentato in Figura 1.

1. Consenso informato

  1. Mostra genitori stanza sperimentale e spiegare brevemente lo scopo dell'esperimento loro.

2. cuoio capelluto EEG Preparazione

  1. Nota: Il sistema EEG utilizzato (Tabella 1) è costituito da un sistema di elettrodo attivo con elettrodi smontabili. Livelli di impedenza sono indicati sugli elettrodi tramite LED.
  2. Misurare la circonferenza della testa del bambino in cm. Inserire un nastro di misura intorno alla parte più larga della testa, passando sopra le sopracciglia e intorno alla protuberanza occipitale nella parte posteriore della testa.
    Nota: Misurare la circonferenza della testa è necessario per la selezione di un tappo EEG di dimensioni appropriate. Ci sono formati speciali per la popolazione infantile descritto nella Tabella 1.
  3. Posizionare gli elettrodi sul un tappo di dimensioni adeguate EEG (Tabella 1), come specificato dal10-20 sistema internazionale. Il tappo garantisce il corretto posizionamento degli elettrodi sul cuoio capelluto.
    Nota: È preferibile avere il tappo pronta quando il bambino raggiunge la posizione studio. Informazioni circa le dimensioni della testa può essere ottenuto dai genitori prima del tempo, o approssimativamente con tavoli disponibili online [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Se la misurazione testa non corrisponde alla approssimazione del ricercatore, un nuovo tappo deve essere preparato. Se più tappi e gli elettrodi sono disponibili, più le protezioni possono essere impostati in anticipo per ridurre al minimo il tempo di preparazione.
  4. Spiegare la procedura di gelificazione al genitore. Mostrare loro l'ago smussato e la siringa usata per applicare il gel a ciascun elettrodo e far loro sentire l'ago sulla loro pelle. Utilizzare una demo EEG elettrodo e cuoio cap per andare oltre la procedura di gelificazione.
  5. Misurare la distanza dal nasion al inion lungo il piano sagittale mediano della superficie del cuoio capelluto. Procedere per adattarsi alla scalberretto p da dietro il bambino.
  6. Allineare l'elettrodo Cz con il vertice della testa. Procedere per allineare e centrare gli elettrodi PF1 e PF2 sulla fronte a circa il 10% della distanza tra il nasion e inion. Allineare il tappo del cuoio capelluto simmetricamente lungo il piano sagittale mediano della testa. Assicurarsi che metà degli elettrodi [AFZ, Fz, FCZ, Cz, CPZ, Pz, Poz, Oz] sono allineati con il nasion e inion. Una volta fatto, fissare il tappo reggette sotto il mento.
    Nota: distrarre il bambino, mentre lui / lei è stato dotato del tappo EEG. Un'epoca adeguato video viene comunemente utilizzato per distrarre i bambini durante l'installazione.
  7. Collegare i di riferimento, a terra, e gli elettrodi di registrazione alla scatola di controllo. Accendere gli indicatori di impedenza dalla casella di controllo.
  8. Partendo con elettrodi di massa e di riferimento, utilizzare una piccola siringa per iniettare gel elettrolita nello spazio tra la cute e l'elettrodo fino alla impedenza di ciascun elettrodo misure inferiori a 60 k. Questo è indicated da una luce gialla o verde sugli elettrodi. Ulteriori dettagli sulla preparazione EEG elettrodo sono disponibili in 4.
    Nota: Durante la procedura di gelificazione, il bambino potrebbe spostare il suo / la sua testa per vari motivi (la curiosità, la paura, l'attenzione deviata). Si raccomanda pertanto che il secondo sperimentatore o il genitore continua a distrarre il bambino. Utilizzare le siringhe da dietro testa del bambino per evitare il rischio di colpire volto del bambino con l'ago dovuto al movimento imprevisto del soggetto.
  9. Collegare gli amplificatori al PC host tramite una porta USB utilizzando una fibra ottica al convertitore USB.
    Nota: La figura 2A mostra il bambino di installazione soggetto con il tappo EEG e il posizionamento IMU. Si noti che i cavi degli elettrodi e la scatola di controllo sono trattenuti, fornendo mobilità senza carico al soggetto. Figura 2B mostra una visione topografica dei luoghi elettrodi del tappo EEG seguito il sistema di etichettatura 10-20.

3. Preparazione Imus

  1. Aprire il software IMU. Clicca su "Nuovo" sull'interfaccia grafica.
  2. Quindi fare clic su "Configura" nella finestra di dialogo per configurare Imus. Impostare la frequenza di campionamento di 128 Hz.
  3. Fissare il Imus sulla testa, al torace, e polsi destro e sinistro del bambino.
    Nota: Vedere la Figura 2A. In parallelo, montare polsi del esperimento con Imus. Assicurarsi Imus sono fissati bene al corpo per ridurre al minimo gli errori di misura inerziale.
  4. Utilizzando cinghie, posizionare il Imus polso sul lato dorsale dei polsi. Posizionare il IMU petto sulla superficie ventrale vicino al centro del torace utilizzando un cablaggio.
  5. Fissare la IMU testa alle cinghie mento del tappo cuoio capelluto in modo che è vicino al lato sinistro del mento. Posizionare il Imus in modo che si trovano ad affrontare verso l'esterno, con la luce del LED orientata su.
    Nota: Il Imus ogni pesano circa 22 grammi, e la loro piccola dimensione e peso leggero è improbabile che ostacolano movement. Uno sperimentatore aggiuntivo può essere necessario per distrarre il bambino per motivi descritti al punto 2.8.

4. Acquisizione Video e la sincronizzazione dei flussi di dati

  1. Fotocamera Posizionare video (18) in modo che il bambino (12), l'attore (14), e il grilletto LED (13) sono tutti ben visibili. Vedere la Figura 4.
    Nota: Le registrazioni video vengono utilizzati per consentire l'annotazione visiva e segmentazione dei comportamenti innescati dallo sperimentatore, nonché conferma l'inizio e la fine della sessione di registrazione.
  2. Collegare l'involucro ingresso trigger / uscita (7) al EEG (5) e Imus (4). Vedere la Figura 3.
    Nota: Una recinzione di input personalizzato / uscita (7), mostrato in Figura 3, è stato progettato per allineare tutti i flussi di dati registrati (EEG, Imus, e il video) e quindi utilizzare marker di eventi da una registrazione (ad esempio video) od agevolare l'analisi di un'altra registrazione (come EEG o accelerazione). Ciò viene ottenuto utilizzando unsingolo pulsante momentanea che, quando premuto, invierà un attivo-basso (+ V per terra) impulso di trigger per EEG (tramite una porta parallela DB-25), IMU (attraverso un mini-DIN-6 connettori) e video (da illuminare un diodo a emissione luminosa (LED) posizionato in vista della videocamera) registrazioni contemporaneamente. Un chip IC invertitore logico 7404 è stato usato per trasformare il-stato basso (terra) a un stato alto (+ V) impulso, fornendo il potenziale di tensione necessaria per alimentare il LED.
  3. Avere uno sperimentatore in prossimità del pulsante di attivazione e il computer di raccolta dati. Lo sperimentatore è responsabile del funzionamento del grilletto, il monitoraggio della qualità dei dati in tutta l'esperimento, e salvare i dati.

5. Preparazione di test Ambiente

  1. Vedere la Figura 4.

6. Raccolta dati

  1. Registrare i valori di impedenza iniziali degli elettrodi EEG utilizzando il software di controllo selezionando la "impedenzaControllare "scheda, cliccando sul pulsante" impedenza On "(attendere circa 5 secondi per valori di impedenza degli elettrodi per stabilizzare), e cliccando il tasto" "Salva impedenza della radio per salvare impedenze. Vedere la Figura 5.
  2. Nessun filtro vengono applicati durante la raccolta dei dati EEG.
  3. Nel programma del registratore EEG, cliccare su "MONITOR", quindi "Play" per avviare la ricodifica dei dati EEG. Vedere la Figura 6.
  4. Nel software IMU, fai clic su "Stream" e poi "Record" nella finestra di dialogo per avviare la registrazione dei dati IMU. Vedere la Figura 7.
  5. Applicare tre trigger (III) per segnalare l'inizio dell'esperimento utilizzando il pulsante sul contenitore di ingresso / uscita (7). Lasciare riposare per 1 min infantile durante la registrazione. Ciò fornisce dati iniziali di base.
  6. Eseguire esperimento e permettere al soggetto infantile fare pause, se necessario. Ogni prova esperimento consiste di una task turn-taking, dove gli spettacoli attoreun'azione al neonato utilizzando un oggetto (di solito, ma non sempre, un giocattolo), passa al bambino nel tentativo di iniziare una risposta imitazione, e infine recupera l'oggetto indietro dal bambino.
    Nota: Questo scambio è generalmente ripetuta per 4-5 prove o fino a quando il bambino non mostra alcun ulteriore interesse nell'oggetto.
  7. Dato l'ambiente della sessione, annotare tutti i tempi di ogni comportamento dopo la raccolta dei dati utilizzando la registrazione video.
  8. Registrare i valori di impedenza finali degli elettrodi EEG. Vedere il punto 6.1.
  9. Digitalizzare le coordinate spaziali 3D degli elettrodi EEG utilizzando lo scanner 3D elettrodi EEG e software e il suo software corrispondente.
  10. Avviare il software di scansione 3D. Vai su "File" e selezionare "nuovo spazio di lavoro". Caricare il file posizione degli elettrodi nella prima scheda dello spazio di lavoro e fornire le informazioni necessarie nella scheda di archiviazione.
  11. Nella barra degli strumenti di scansione, clicca su "start scansione ". Utilizzare lo scanner 3D, a circa 30 cm dalla testa del bambino, per eseguire la scansione le posizioni degli elettrodi, seguendo l'evoluzione dei modelli di luce sul tappo. Una volta che la scansione è completata, il software salva automaticamente i risultati.
    Nota: Sul retro della testa, i cavi possono bloccare i LED elettrodi a causa delle piccole dimensioni della testa del bambino. Il software consente all'utente di rimuovere alcuni elettrodi dalla scansione senza compromettere i risultati. Rimuovere gli elettrodi occipitali dalla scansione, se necessario.

7. Segmentazione comportamentale

  1. Controllare la registrazione video della sessione di sperimentazione e segnare il momento in cui il grilletto LED lampeggia (cioè, quando l'esperimento inizia e termina), e quando uno dei comportamenti sopra menzionato nel passaggio 6.6 inizio e di fine.

8. Imaging Source

  1. Nota: Imaging Source in grado di identificare con precisione i generatori diPotenziali EEG all'interno del cervello e di solito consiste nel risolvere in avanti e il problema inverso 5.
  2. Acquisire ad alta risoluzione T1 risonanza magnetica immagine (MRI) i dati ponderata da database di dominio pubblico, come la banca dati dello sviluppo neurologico risonanza magnetica che contiene modelli di risonanza magnetica media in funzione dell'età (in mesi) per i primi due anni di vita 6,7.
    Nota: Questo studio utilizza modelli testa in avanti solo appropriati all'età dei bambini e, pertanto, le informazioni il sesso non è preso in considerazione quando si sceglie il modello di risonanza magnetica).
  3. Acquisire volumi di origine per i modelli ad elementi di contorno (BEM) che includono scompartimenti capi (vale a dire, la materia grigia, sostanza bianca, cuoio capelluto, cranio interno o esterno) come volumi MRI dal database dello sviluppo neurologico MRI 8.
  4. Pre-processo volumi BEM MRI per ottenere un modello di testa realistico estraendo la superficie dei compartimenti cerebrali e testa in curry 7, o simile pacchetto software imaging cerebrale.
  5. Importare il T1 RM pesata. Identificare manualmente i tre punti fiduciali come i punti di destra / sinistra pre-auricolare e nasion all'interno del software di imaging cerebrale, o pacchetto simile.
  6. Co-registrazione EEG e RMN spazio per ottenere la trasformazione geometrica rigida tra lo spazio della risonanza magnetica e spazio del soggetto inserendo i punti fiduciali indicati RM e fiducial ottenuti con scanner 3D in passi 6.9-6.11 utilizzando il software di imaging cerebrale o un pacchetto simile.
  7. Risolvere il modello in avanti.
    Nota: Il problema diretto prevede la definizione di un modello di testa che rappresenta la forma geometrica della testa e delle caratteristiche di conducibilità elettrica del 9,10 volume della testa.
  8. Risolvere il problema inverso
    Nota: Il problema inverso tenta di dedurre una posizione, forza e un andamento temporale di una sorgente nel cervello dai segnali cuoio capelluto EEG utilizzando tecniche di elaborazione del segnale 11.
  9. Segmento continuaDati EEG in studi intorno l'insorgenza compito (ad es., L'imitazione, segmenti di osservazione) con segmenti insorgenza pre e post-task di lunghezza 2 sec. Identificare i canali con alta impedenza come "cattivi canali" e altri studi artefatti in ogni prova. Pre-processo i dati EEG del rifiuto artefatti ICA e ricostruire i canali cattivi con la media della vicina canali senza artefatti. 12,13,14.
  10. Utilizzare il modello in avanti come input per un algoritmo di ottimizzazione automatizzata che ricerca su tutto il cervello per identificare le migliori posizioni di origine possibili.
  11. Visivamente analizzare le fonti di stima e raccogliere le soluzioni che più si adattano ai tuoi aspettativa basata sulla conoscenza preventiva del tipo di esperimento e di interpretare con attenzione.
    Nota: Questo passo è il più polarizzato uno a causa della natura mal posto del problema inverso, cioè, diverse configurazioni delle fonti possono comportare gli stessi potenziali superficiali. Dunque, Può essere utile per eseguire un controllo di integrità per verificare che un dato modello di testa e metodo inversa funziona bene.
  12. Eseguire un controllo di integrità, la localizzazione di un noto dipolo simulato. Vale a dire, per il luogo determinato modello di testa un dipolo con configurazione nota, e risolvere il problema in avanti per ottenere tensioni simulati per questo dipolo.
  13. Risolvere il problema inverso con queste tensioni sullo stesso modello di testa, per assicurarsi che restituisce i dipoli simulati.
    Nota: I controlli di integrità dovrebbero restituire i dipoli inizialmente poste ad un alto grado di precisione.

Representative Results

Figura 8 mostra EEG campione e dati di accelerazione dal Imus per una finestra temporale 16 sec registrato durante l'interazione tra il soggetto e lo sperimentatore. Dati EEG è stato ri-campionato a 100 Hz e poi passa-banda filtrato [1-40 Hz] con un 3 ° ordine, fase zero del filtro Butterworth. I canali con elevati valori di impedenza (Z> 60 k), e canali periferici, sono stati scartati 12,15. Il Imus registrato nove segnali a 128 Hz: flusso magnetico, velocità angolare, e l'accelerazione lineare nei tre assi cartesiani. Qui mostriamo la grandezza del (GC) accelerazione di gravità compensato. L'effetto di accelerazione di gravità è stata compensata applicando un filtro di Kalman per predire l'orientamento IMU in una cornice globale 16. I dati sono stati segmentati mediante ispezione visiva delle registrazioni video (punto 7.1). Linee continue verticali indicano l'inizio di un comportamento di interesse, come linee verticali tratteggiate rappresentano la conclusione dell'evento.

illustrati nella Figura 8 intorno 709s. L'approccio non vincolato alla raccolta di dati in questo protocollo sperimentale rende i dati EEG suscettibili di lampeggiare degli occhi, movimenti oculari, moto e manufatti elettromiografici. I dati sono stati preelaborazione utilizzando una fase zero Butterworth filtro passa banda 3 ° ordine per vincolarlo al delta-band (1-4Hz), e standardizzato sottraendo la media e dividendo per la deviazione standard. Manufatti ad alta ampiezza sono stati rimossi automaticamente utilizzando il metodo di rimozione 17 Artifact Subspazio (ASR). Inoltre, i canali periferici sono esclusi dall'analisi dei dati, nel tentativo di minimizzare la contaminazione artefatto mioelettrico. Frontalis e contrazioni muscolo temporale si fondono con segnale EEG più visibile in luoghi periferici: frontalis contrazione si presenta in luoghi anteriori, e la contrazione temporale si presenta in frontale laterale e temporAl 15 posizioni.

Per controllare la natura dei dati raccolti con questo protocollo, istogrammi dati EEG sono stati riportati nella Figura 9. Nella Figura 9A, descrive la distribuzione dei dati del segnale normalizzato da tre elettrodi spazialmente rappresentativi. I dati EEG mostra una distribuzione multimodale per i comportamenti analizzati. Nella Figura 9B i valori curtosi vengono presentati come grafici a barre per facilitare l'ispezione visiva dei dati.

La classificazione è stata effettuata estraendo ritardi basati sul tempo di ogni canale EEG, riducendo dimensionalità preservando la dispersione locale di ogni classe (Local analisi discriminante di Fisher (LFDA)) 18, e la formazione / sperimentazione di un modello di set ridotto di funzionalità (Miscela gaussiana Modelli (MGM)) 19. Campioni Training / collaudo sono state campionate in maniera casuale su 20 iterazioni (vale a dire, di validazione incrociata) per evitare qualsiasi over-fitting.Training/testing~~V dimensione del campione varia dato il numero di canali respinti (vale a dire, impedenza maggiore di 60 kHz), la lunghezza della sessione dell'esperimento, e il numero di prove e comportamenti espressi. Tuttavia, il numero di campioni di training e di prova utilizzati per ciascuna classe (comportamento) corrisponde al 50% della categoria meno popolato. Come esempio, la dimensione testing set di ogni classe è N = 1.069 campioni per i dati infantili mostrati nella Figura 10. Tutte le fasi di pre-elaborazione e di classificazione sono state calcolate in ambiente di programmazione MATLAB.

Figura 11 illustra l'intera procedura per la stima sorgente EEG eseguita in questo studio in modo passo-passo. Maggiori informazioni su ogni passo è anche riepilogati nella sezione 8.

Figura 12 mostra i risultati di evento relativo (de) sincronizzazione (ERD / ERS) nella mu ritmo (5-9 Hz) e le fonti dipolo durante il "Reach-offerta1; compito. ERS e ERD è stato calcolato come la percentuale di una diminuzione o aumento di potenza di frequenza in banda che si verifica durante l'evento (raggiungere e compito offerta) Intervallo rispetto all'intervallo di riferimento (un segmento preso prima dell'evento). Questa figura mostra anche l'accelerazione di gravità magnitudo compensata ottenute durante l'operazione da entrambi i polsi del neonato e l'attore. Per un'analisi dipolo i segnali EEG sono stati decomposti usando analisi delle componenti indipendenti (ICA) per eliminare il rumore di fondo. La stima è stata effettuata in fonte mu ritmo dopo ICA pre-elaborazione tramite un algoritmo MUSIC fissa 5. Come previsto, le fonti sono stati localizzati su tutta l'area motoria primaria destra mentre il soggetto stava usando la mano sinistra per afferrare l'oggetto.

actiCAP EEG cattura tutte 64 elettrodi *
nome del prodotto Società Quantità
BrainAmp Amplificatore Brain Products, Gmbh 2
Brain Products, Gmbh 10
Control Box actiCAP Brain Products, Gmbh 1
Software Brain registratore di visione Brain Products, Gmbh 1
software Control Box actiCAP Brain Products, Gmbh 1
CapTrak Brain Products, Gmbh 1
Software CapTrak Brain Products, Gmbh 1
Monitor Opal movimento APDM, Inc 6
Docking station Opal APDM, Inc 6
Opal punto di accesso wireless APDM, Inc 1
Software Motion Studio APDM, Inc 1
Scatola grilletto Usanza 1
Videocamera HC-W850M, Panasonic Co. 1
* Le calotte EEG sono disponibili nelle seguenti misure circonferenza della testa per bambini: 42, 44, 46, 48, 50 cm. Per questo protocollo, si consiglia di uno stock di 2 tappi di ogni formato.

Tabella 1 Attrezzature.

Figura 1
Figura 1. I diagrammi di flusso. Diagramma (A) Flusso di configurazione dell'esperimento. (B) Diagramma di flusso della sessione di raccolta dei dati. Cliccate qui per vedere una versione più grande di questa figura.

Figura 2
Figura 2. Soggetto setup e pronti per la raccolta dei dati. (A) Vista frontale del soggetto che indossa il berretto EEG, e quattro Imus. (B) la rappresentazione topografica del tappo EEG a 64 canali con il 10-20 standard di sistema di posizionamento degli elettrodi. Cliccate qui per visualizzare un versione più grande di questa figura.

Figura 3
Figura attrezzature per la raccolta dei dati e 3. sala prove. (A) di installazione attrezzature per la raccolta dei dati: scatola di controllo EEG (1), tappo EEG (2), grilletto (3), dati ricevitore IMU wireless (4), amplificatori EEG (5), scatola dei giocattoli (6), grilletto pulsante (7), i computer portatili di acquisizione dati (8), docking station Imus (9). (B) Primo piano di tappo EEG, elettrodi attivi e di controllo. (C) Primo piano di Imus e ricevitore wireless, trigge R pulsante, amplificatori EEG, e computer portatili per la raccolta dati. Cliccate qui per vedere una versione più grande di questa figura.

Figura 4
Figura 4. Rappresentazione schematica di setting sperimentale. Titolare scatola di controllo EEG (10). Tutore Oggetto siede sulla sedia (11), sperimentatore siede sulla sedia (14) e la persona monitoraggio dei dati siede sulla sedia (17). Il resto della configurazione sperimentale è mostrato:. Interazione da tavolo (12), grilletto (13), scatola dei giocattoli (15), tavolo di acquisizione dati (16), il posizionamento della videocamera (18) Clicca qui per vedere una versione più grande di questo figura.

"Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/>
Figura 5. Schermata del software di controllo EEG. Le frecce indicano le icone principali del software descritte al punto 6.1 e 6.8. Cliccate qui per vedere una versione più grande di questa figura.

Figura 6
Figura 6. Schermata di software di registrazione EEG. Le frecce indicano le icone chiave del software descritto al punto 6.2 e 6.3. Una sezione di dati grezzi in diretta-streaming è mostrato. Cliccate qui per vedere una versione più grande di questa figura.

pg "/>
Figura 7. Schermata del software Imus. Le caselle rosse evidenziano le icone principali del software descritto al punto 6.4. (A) Finestra principale di comando. (B) finestra Configurazione. Finestra (C) Registrazione. Clicca qui per vedere una versione più grande di questa figura.

Figura 8
Figura 8. Dati di esempio da una sessione sperimentale rappresentante. Dati (A) EEG e accelerazione sono mostrati, sia passa-banda filtrato [1-40Hz]. Vengono visualizzati elettrodi EEG a bassa impedenza (Z <60 k) per tutta la sessione. Linee verticali continue indicano comportamento insorgenza (B) Still frame rappresentazioni del bambino impegnato in comportamenti analizzati:. Osservare, Reach-afferrare, Reach-offerta, Imitate, Esplorare, Rest. Clicca qui per vedere una versione più grande di questa figura.

Figura 9
Figura 9. istogrammi campione di ampiezza EEG per sei comportamenti individuati. A) I dati riportati corrispondono a dati grezzi da tre elettrodi (CP2, FC5, POZ) registrati in una sessione con un 20 mesi di età infantile. Gli istogrammi vengono scalate al più alto numero di occorrenze e la curtosi di ogni istogramma viene visualizzato sulla destra di ogni trama. Notate la distribuzione multimodale per la maggior parte dei comportamenti. B) Kurtosis di dati di esempio per ogni comportamento. Cliccate qui per vedere una versione più grande di questa figura.


Figura 10. EEG prevede azioni comportamentali nei bambini si comportano liberamente 12. Una matrice di confusione di esempio per l'accuratezza di classificazione per un 20 mesi neonato viene mostrato. La precisione di decodifica generale viene visualizzata nell'angolo in basso a destra. Clicca qui per vedere una versione più grande di questa figura.

Figura 11
Figura 11. Localizzazione Fonte. Passi necessari per una localizzazione fonte dipolo bambino con una risonanza magnetica anatomica e un dato EEG funzionale. Cliccate qui per vedere una versione più grande di questo ficoUre.

Figura 12
Figura 12. Reach-offerta profilo task analysis. A) Istantanee di un neonato eseguire il "Reach-Offerta" compito. B) Media globale di alimentazione di campo di EEG in banda Mu (5-9 Hz), le traiettorie di movimento degli arti del neonato e l'attore; il grande evento legato media spettrale perturbazione da tutti i canali. C) fonti dipolo localizzati per due eventi di "Movimento insorgenza" e "Movimento di completamento". Clicca qui per vedere una versione più grande di questa figura.

Discussion

Il protocollo descritto presenta una metodologia per raccogliere i dati da neonati liberamente si comportano mentre stanno interagendo con uno sperimentatore in tempo reale. Impiega la tecnologia di imaging cerebrale mobili (cuoio capelluto EEG) per acquisire l'attività neurale e contemporaneamente la registrazione dei dati cinematici con Imus in punti strategici del corpo. La sessione esperimento viene registrata anche da una videocamera. I tre sistemi di registrazione dati sono sincronizzati con un sistema di trigger personalizzato.

L'EEG e il sistema IMU sono legati al soggetto come lui / lei si muove liberamente durante la sessione di esperimento. I Imus devono essere legato saldamente poter catturare cinematica accuratamente. Per garantire la piena mobilità senza vincoli del soggetto, l'apparecchio deve essere come minimo intrusiva possibile; così l'uso del supporto per sostenere i cavi elettrodi del EEG e la scatola di controllo EEG. Lo sperimentatore poi interagisce con il bambino per circa 15 minuti. La INFAnt genererà un repertorio età-dipendente dei comportamenti durante l'interazione. Questi includono il riposo, raggiungere afferrare, raggiungere-offerta, esplorare, osservare e imitare. Tuttavia, alcuni bambini saranno disposti a collaborare nella sessione a causa della stanchezza, mancanza di comfort, o stress. Assicurati di pianificare l'esperimento quando il bambino è più dinamica e attiva per evitare il verificarsi di reazioni negative da lui / lei.

La natura dell'esperimento presenta rischi per la qualità dei dati registrati durante la sessione. Pertanto, è fondamentale per testare tutti i collegamenti ed i dati di qualità prima di iniziare la sessione di registrazione, e di monitorare loro continuamente durante la sessione. Se il sistema EEG dati non registra i dati di qualità, fermare il software e scollegare tutte le connessioni. Prima di riavviare il software o collegare il prodotto di nuovo al computer portatile, rimuovere tutte le possibili fonti di rumore (cioè, alimentatori), dalla vicinanza del hardware di registrazione. L'EEG hardware comprende amplificatori di segnale in grado di raccogliere il rumore ambientale se collocato in prossimità di fonti di rumore elettrico. Per il ricevitore IMU, assicurarsi che non vi siano interferenze nella linea di vista tra il ricevitore e l'esperimento e infantile.

Questa configurazione sperimentale fornisce dati ad alta risoluzione neurali temporali misurando l'attività elettrica sulla superficie del cuoio capelluto. Recenti studi hanno dimostrato che è possibile utilizzare questi segnali, insieme con cinematica corpo intero, per identificare le informazioni classificabile per movimenti espressivi 20, e movimenti funzionali 21,22, suggerendo che questo approccio raccolta dati proposta potrebbe portare ad una migliore comprensione della neurale base di imitazione nei bambini.

Contributi recenti, caratterizzate da potenti algoritmi di apprendimento automatico applicate alle dinamiche cerebrali 13,20,21 stanno costruendo un toolkit crescente per studiare le potenzialità di superficie in sé più naturaleraccordi. Questa configurazione proposta prevede uno spettro di possibilità di domande di ricerca da affrontare 2,22. In particolare, può essere applicato alle ricerche incentrato sulla a) comprendere le basi neurali di sviluppo cognitivo-motorio dei bambini sulla base di una vasta popolazione di soggetti; b) comprendere le basi neurali di intenti del bambino in 'azione e contesto', che dovrebbe essere predittiva del comportamento dell'azione in arrivo; c) la quantificazione schemi neurali comuni ed uniche per caratterizzare l'individualità e la variabilità nel cervello in via di sviluppo; e d) studiando l'emergere di processi di imitazione e di apprendimento. Questi obiettivi comportano l'impiego di algoritmi di apprendimento automatico che possono trattare i dati statisticamente ricchi sia in potenziali cerebrali originati informativi e movimenti muscolari o artefatti 12,20,23.

Questo studio cerca di valutare le fonti corticali e potenziali di campo elettrico utilizzando i dati EEG infantili. A causa dile difficoltà tecniche, come la mancanza di conoscenza dei valori di conducibilità testa infantili e lo spessore della materia corticale, la modellazione accurata del modello di testa è un compito difficile. Ulteriori studi sono necessari per non invasive stime regionali di conducibilità dei tessuti nei bambini 24. La segmentazione superficie corticale dei dati MRI infantile rappresenta una sfida maggiore a causa del scarso contrasto trovato nelle immagini del cervello umano in via di sviluppo 25. La ricerca futura è necessaria per affrontare queste difficoltà e stimare vari correlati neurofisiologici di sviluppo e del comportamento infantile.

Infine, il protocollo e le modalità di sperimentazione proposti potrebbero essere utilizzate per lo studio delle persone con disabilità dello sviluppo, come neonati con probabile disturbo dello spettro autistico (ASD). In tale applicazione, sarebbe opportuno includere un gruppo di controllo e valutazione dello sviluppo atti a caratterizzare i due gruppi (controllo e ASD). Per l'esamepio, un gruppo di studio potrebbe consistere di tutti ad alto rischio (per ASD) fratelli infantile valutato con l'Autism Diagnostic Observation Schedule 26, la gravità dei sintomi 27 e le Scale Mullen di Early Learning 28 per caratterizzare capacità cognitiva generale. Se disponibili, diffusion-weighted MRI sarebbe anche auspicabile 29.

Acknowledgements

Questo lavoro è stato sostenuto da Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Premio # P01 HD064653-01. Il contenuto è di esclusiva responsabilità degli autori e non rappresentano necessariamente il punto di vista ufficiale della NICHD o 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