Summary

Кортикальная Источник Анализ высокой плотности ЭЭГ Recordings у детей

Published: June 30, 2014
doi:

Summary

В последние годы наблюдается растущий интерес к оценке корковых источники головы измеренные электрическую активность для когнитивных экспериментов нейронауки. В данной статье описывается высокой плотности ЭЭГ приобретается и как записи обрабатываются для оценки корковой источника у детей в возрасте от 2-х лет в Лондонской лаборатории для новорожденных.

Abstract

ЭЭГ традиционно описывается как метод нейровизуализации с высоким временным и низкого пространственного разрешения. Последние достижения в области моделирования биофизических и обработки сигналов позволяют использовать информацию от других методов визуализации, таких как структурной МРТ, которые обеспечивают высокое пространственное разрешение, чтобы преодолеть это ограничение 1. Это особенно полезно для исследований, требующих высокого разрешения в височной, а также пространственной области. Кроме того, в связи с легкого применения и низкой стоимости ЭЭГ, ЭЭГ часто методом выбора при работе с населением, таких как маленьких детей, которые не переносят функциональной МРТ сканирует хорошо. Тем не менее, в целях расследования, которые нервные субстраты участвуют, анатомической информации от структурного МРТ по-прежнему необходима. Большинство пакетов ЭЭГ анализ работать со стандартными моделями головных, которые основаны на взрослого анатомии. Точность этих моделей при использовании для детей ограничено 2, так как соmposition и пространственная конфигурация головы тканей изменения резко за развитие 3.

В настоящей работе, мы предоставляем обзор нашей недавней работы в использовании моделей на основе отдельных структурных сканирования МРТ или возрастных моделей конкретных головы реконструировать корковых генераторы высокой плотности ЭЭГ. В данной статье описывается ЭЭГ приобретаются, обработаны и проанализированы с детской популяции на Лондонской лаборатории для новорожденных, в том числе лабораторной установки, дизайн задач, ЭЭГ предварительной обработки, переработки МРТ, и уровень канала ЭЭГ и анализа исходного.

Introduction

Президент США Барак Обама назвал человеческий мозг, как следующий рубеж научного открытия с большое значение для здоровья и экономики 3 (http://www.whitehouse.gov/share/brain-initiative). Однако, как и любой другой области в естественных науках, неврологии зависит от достижений в области методологий и методов анализа для прогресса. Два часто используемых неинвазивные инструменты в исследованиях о функции мозга у человека являются магнитно-резонансная томография (МРТ) и электроэнцефалография (ЭЭГ). Это инструмент использовать разные физические свойства и обеспечивают различные взглянуть на функции мозга с уникальными преимуществами и недостатками. МРТ использует магнитные свойства молекул воды внутри магнитных полей для получения изображений живых тканей. Предметом должен быть помещен в магнитное поле, с высокой прочностью на поле. Движение участника ограничено в течение этого процедур и участник должен терпеть шум, вызванный резким изменениям магнитногополе. В дополнение к структурным изображений, МРТ также обеспечивает возможность измерения изменения в оксигенации крови для исследования функции мозга (МРТ). Таким образом, МРТ предлагает относительно высокое пространственное разрешение до 0,5 мм 3, современными больших полях сканеров и оптимизированными параметрами 4. В противоположность этому, временное разрешение МРТ ограничивается медленной кинетике смелый ответ, который лишь косвенно отражает высокий временную динамику нейронной активности 5,6.

С другой стороны, ЭЭГ измеряет изменения в электрической активности, вызванные активности нейронов через электродов, расположенных на коже головы. Последние достижения в области технологии ЭЭГ позволяют быстро и легко применение датчиков для краткосрочной или долгосрочной перспективе и стационарные, а также амбулаторных записей. Поскольку ЭЭГ является менее ограничительным, это также методом выбора для определенных групп населения участников, не допускающей окружающей среды МРТ хорошо, как детская и некоторыегериатрических и психиатрических населения. Свойства ЭЭГ показывают обратную картину для тех, МРТ: временное разрешение очень высока с точностью до миллисекунды, но пространственное разрешение ограничено. Электрические токи проходят через различные ткани между их генератора и электродов ЭЭГ на поверхности кожи головы. Это приводит к смешиванию и пространственной размытию активности источника, известного как эффект объем проводимости. Таким образом, активность, измеренная с помощью электродов на поверхности кожи головы отражает активность из различных источников, которые могут быть далеким от положения электрода на головном 1,7.

Большая работа в последние годы была посвящена слиянию МРТ и ЭЭГ для того, чтобы воспользоваться их сильные стороны. Одна линия работы посвящена одновременного получения ЭЭГ и МРТ в функциональных исследований. Другой подход заключается в использовании пространственную информацию, предоставленную структурной МРТ с учетом объемного Conduction эффект через биофизического моделирования. Использование структурной информации для восстановления источника записей ЭЭГ особенно полезно для исследований, связанных с педиатрической популяции. Исследование развития функции мозга занимает центральное место в понимании того, как сложные когнитивные навыки строятся на простых предшественников 8.

Эти исследования помогают выделить изменения в нервных субстратов и свойств реагирования, которые коррелируют с изменениями в поведенческих характеристик. Тем не менее, исследование функции мозга и познания в процессе разработки также создает определенные проблемы. В частности, возможность для функциональных исследований МРТ ограничена маленьких детей и младенцев либо имеют, что спит или седативные для получения данных МРТ без артефактов движения и негативного воздействия на участника благополучия. Кроме того, ЭЭГ воспринимается как менее рискованный и инвазивные родителями, что делает набор участников исследования легче. Тherefore, ЭЭГ является методом выбора для многих исследований функции мозга у детей раннего возраста. Методологические достижения в системах ЭЭГ позволяет применение высокой плотности электродных массивов с 128 или более каналов в течение нескольких минут. Простота применения и комфорт при ношении достаточно, чтобы даже позволить запись ЭЭГ в самых молодых младенцев. Тем не менее, часто исследователи заинтересованы не только в временной динамики ответов на конкретные раздражители, но также хотел бы сравнить нервные субстраты, которые опосредуют ответов.

Преобладающая предположение уровня канала ERP сравнительного анализа различных возрастных групп в том, что одни и те же нейронные субстраты ответить, но что сроки или амплитуда ответ варьируется по возрастов 9. Похожие головы топография часто используется в качестве индикатора аналогичной базовой нейронной активности. Тем не менее, много различных конфигураций источник может привести к аналогичным кожи головы топологий 10. Применяя оценку исходного, это Uncertainty может быть снижена и количественно. Независимость наблюдений имеет решающее значение для сетевых счетах функции мозга: если источники смешиваются, корреляции будут смещены в сторону более высокой локальной связности. Реконструкция Источник может быть применен, чтобы уменьшить это смещение 11. Кроме того, различия в сроках и фазы могут быть использованы для анализа подключения, но эти математические модели требуют предположения, которые трудно оценить в не модельных данных 12. Таким образом, оценка источником предоставляет дополнительную информацию для уровня канала ЭЭГ и ERP анализа, основанного на знаниях о анатомии и биофизических свойств ткани.

Различные алгоритмы были разработаны, чтобы найти решения обратной задачи. Эти алгоритмы можно в целом разделить на две категории: параметрические и не параметрические 13. Параметрические модели предполагают один или несколько диполи, которые могут отличаться в месте, ориентации и силы. Напротив, не являющиеся параметрических моделей содерпа большое количество диполей с фиксированного места и ориентации. В этих моделях, скальп электрическая активность объясняется как сочетание активаций в основной диполей 10,13,14. Номера параметрический, распределенные модели источник может быть основана на знаниях о анатомии и проводимости в различных средах. Элемент Граница модели включают значения проводимости для основных тканей головы с различными снарядами для мозга, спинно спинномозговой жидкости, и черепа. Это основано на предположении, что проводимость в основном постоянным в пределах каждого отсека, но отмечены изменения происходят на границе различных отсеков. Конечные элементные модели основаны на дальнейшей сегментации MR сканирования в серого и белого вещества, так что значения проводимости могут быть назначены каждого воксела 15.

С практической точки зрения, не являющихся параметрических моделей особенно полезны для восстановления источника в сложных когнитивных задач, в которых число областей, участвующих можетне знают, 10. Краевые элементные модели наиболее широко используются в современной литературе, вероятно, потому, что более точные модели конечных элементов представляют сравнительно высокие вычислительные мощности. Кроме того, существует значительная среди индивидуальная изменчивость в серого и белого вещества, так что FEMS должны основываться на индивидуальных сканирования МРТ.

Номера параметрические модели требуют второй шаг для согласования головы измеренное деятельность предсказаниям прямом модели. Опять же, разные подходы с различными преимуществами и недостатками были обсуждены в литературе (см. Мишель и др.. 2004 для обзора). Наиболее широко используемые алгоритмы основаны на минимальной оценки нормы (МНК), который соответствует головы измеренной активности в текущем распределении в прямом модели с самой низкой общей интенсивности 16. МНП смещена в сторону слабых и поверхностных источников. Глубина взвешенные алгоритмы МНК попытаться уменьшить уклон поверхности путем введения взвешиваниематрицы на основе математических предположениях 10. Широко используется LORETA подход также основан на взвешенном МНК, но дополнительно минимизирует лапласиане источников, что приводит к более плавного решений 17,18. LORETA было установлено, работают лучше для одиноких источников в имитационных исследованиях 19,20. Тем не менее, LORETA может привести к более сглаживании решений. Глубина взвешенный МНК является предпочтительным, когда источники неизвестны или несколько источников, вероятно, будут присутствовать 13, 16. Сравнивая результаты различных алгоритмов для оценки влияния различных модельных предположений рекомендуется.

Таким образом, реконструкция источника с помощью методов моделирования не был ограничен для детей до недавнего времени. Это потому, что большая часть программного обеспечения анализ ЭЭГ опирается на модели головы на основе взрослой анатомии, который существенно ограничивает достоверность исходных растворов в детей 2,8. Дешевый доступ к вычислительной мощности и обеспеченияудобное программное обеспечение для восстановления источника позволяют преодолеть эти ограничения. Применяя оценку источника на ЭЭГ обеспечивает два важных преимущества по сравнению с анализом на основе наблюдений только канального уровня: улучшение пространственного разрешения и независимости наблюдений.

Оценка Источник не может быть информативным в некоторых случаях: хороший охват головы требуется различать источники. Системы высокой плотности с 128 или более электродов рекомендуется 10,15; редкой охват будет выступать в качестве пространственного фильтра, ведущей к более широкому активации источника распространения или ложных отрицательных результатов 10. Кроме того, реконструкция источник на основе способа, описанного в этой статье только Сообщалось о корковых генераторов. Таким образом, меньше подходит для проверки гипотез о подкорковых субстратов или коры подкорковых взаимодействий. Наконец, анализ источником должна быть основана на подробных предварительных гипотез о корковых субстратов,принимая существующую литературу от других методов визуализации во внимание. Пространственные методы фильтрации может также использоваться, чтобы улучшить пространственное разрешение сигнала ЭЭГ путем уменьшения пространственное перемешивание на уровне головы. Альтернативные методы, чтобы уменьшить влияние эффектов объем проводимости без головы моделирования используются, например, оператор Лапласа фильтрации 21 или Текущий анализ 22 Источник Плотность. Однако эти методы не обеспечивают больше информации о нейронных генераторов как эффекты объем проводимости не ограничивается только датчиков в непосредственной пространственной близости 1.

В следующих разделах, в статье описывается, как эксперименты по исследованию мозга и когнитивные функции у детей от 2-х лет разработаны в Лондонской лаборатории для новорожденных. Далее, сбора данных ЭЭГ с высокой плотностью системах низкого импеданса с детьми обсуждается. Тогда, предварительная обработка ЭЭГ и анализ на уровне канала представлена. Lastlу, статья посвящена обработке структурных данных МРТ для реконструкции корковой источника и анализа сигналов уровня входного сигнала.

Protocol

1. Проектирование ЭЭГ и события, связанные потенциальные эксперименты для детей Примечание: Простой эксперимент был разработан для целей настоящей статьи, которые могут быть использованы для расследования лицом, обработка у маленьких детей. В следующем разделе будет оп?…

Representative Results

Проектирование ERP эксперименты для младенцев и детей часто бросает вызов, из-за их ограниченных возможностей терпеть длинные повторяющиеся опыты 30. Эта проблема еще более усугубляется, когда экспериментатор планирует подать заявку реконструкции источника, потому что точной рек…

Discussion

Настоящая статья описывает регистрацию и анализ высокой плотности ЭЭГ на реконструкцию корковых генераторов с использованием моделей граничных элементов на основе возраста соответствующие средние шаблоны МРТ и глубина взвешенная минимальная оценка нормой в стандартном ERP парадигм…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Мы хотим поблагодарить профессора Джона Ричардса, Университет Южной Каролины, за предоставление нам доступ к базе данных с развитием МРТ и полезные обсуждения. Мы также хотели бы поблагодарить наших спонсоров Great Ormond Street детский благотворительный, UCL Impact & Великих задач.

Materials

High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software Matlab R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software Matlab R2012b The Mathworks Inc., 
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et al. 2010
References
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.

References

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O’Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Play Video

Cite This Article
Bathelt, J., O’Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

View Video