Kortikale Quelle Analyse von High-Density-Aufnahmen EEG bei Kindern

Summary

In den letzten Jahren gab es eine wachsende Interesse an der Schätzung der kortikalen Quellen der Kopfhaut gemessene elektrische Aktivität für kognitive Neurowissenschaften Experimente. Dieser Artikel beschreibt, wie hohe Dichte EEG erfasst und ab dem Alter von 2 Jahren an der London Baby Lab, wie Aufnahmen für kortikale Quelle Schätzung bei Kindern verarbeitet.

Abstract

EEG wird traditionell als Neuroimaging-Technik mit hoher zeitlicher und räumlicher Auflösung niedrig beschrieben. Jüngste Fortschritte in der biophysikalischen Modellierung und Signalverarbeitung machen es möglich, Informationen von anderen bildgebenden Verfahren wie MRT Struktur, die hohe räumliche Auflösung, um diese Einschränkung zu überwinden ¹ zu nutzen. Dies ist besonders nützlich für Untersuchungen, die eine hohe Auflösung in der zeitlichen als auch räumlichen Bereich erfordern. Darüber hinaus aufgrund der einfachen Anwendung und niedrigen Kosten der EEG-Aufzeichnungen, ist EEG oft die Methode der Wahl bei der Arbeit mit Bevölkerungen, wie kleine Kinder, die funktionelle MRT nicht vertragen, scannt auch. Um jedoch zu untersuchen, welche neuronalen Substrate, anatomischen Informationen beteiligt strukturelle MRT noch benötigt wird. Die meisten EEG-Analyse-Pakete arbeiten mit Standard-Kopfmodelle, die auf erwachsene Anatomie beruhen. Die Genauigkeit dieser Modelle, wenn für Kinder verwendet wird, ² begrenzt, da die CO-mPosition und räumliche Konfiguration der Kopf Geweben ändert sich im Laufe der Entwicklung ^3.

In der vorliegenden Arbeit geben wir einen Überblick über unsere Arbeit in den letzten Nutzung Kopfmodelle auf Basis von einzelnen Struktur MRI-Scans oder altersspezifische Kopfmodelle, die kortikalen Generatoren mit hoher Dichte EEG rekonstruieren. Dieser Artikel beschreibt die EEG-Aufzeichnungen erfasst, verarbeitet und mit pädiatrischen Populationen an der London Baby Lab, einschließlich Laboraufbau, Aufgabengestaltung, EEG Vorverarbeitung, MRI Verarbeitung und EEG-Kanal-Ebene und Quellenanalyse analysiert.

Introduction

Präsident Barack Obama bezeichnete die menschliche Gehirn als nächste Grenze der wissenschaftlichen Entdeckung mit hoher Bedeutung für die Gesundheit und Wirtschaft ³ (http://www.whitehouse.gov/share/brain-initiative). , Wie jeder andere Bereich in den Naturwissenschaften, Neurowissenschaften, hängt jedoch von Fortschritten in der Methoden-und Analysetechniken für den Fortschritt. Zwei häufig verwendete nicht invasive Werkzeuge in Studien über die Gehirnfunktion bei Menschen sind Kernspintomographie (MRI) und Elektroenzephalogramm (EEG). Das Tool nutzen unterschiedlichen physikalischen Eigenschaften und stellen verschiedene Einblicke in die Gehirnfunktion mit einzigartigen Vorteile und Nachteile. MRI nutzt die magnetischen Eigenschaften der Wassermoleküle in Magnetfeldern, um Bilder von lebendem Gewebe zu erhalten. Gegenstand muss in einem Magneten mit hoher Feldstärke angeordnet werden. Bewegung des Teilnehmers wird während dieser Verfahren beschränkt, und die Teilnehmer Lärm durch schnelle Änderungen der magnetischen verursacht tolerierenFeld. Neben strukturellen Bilder, auch MRT bietet die Möglichkeit, Veränderungen des Blutsauerstoffsättigung zu messen, um die Gehirnfunktion (fMRT) zu untersuchen. Zusammengefasst bietet MRI relativ hohen räumlichen Auflösung von bis zu 0,5 mm ³ mit modernen High Felder Scanner und optimierten Parametern ^4. Im Gegensatz dazu ist die zeitliche Auflösung der fMRT beschränkt sich auf die langsame Kinetik der BOLD-Antwort, die nur indirekt spiegelt die hohe zeitliche Dynamik der neuronalen Aktivität ^5,6.

Andererseits misst EEG-Veränderungen in der elektrischen Aktivität durch die Aktivität von Neuronen durch die Elektroden auf der Kopfhaut platziert verursacht. Jüngste Fortschritte in der EEG-Technologie erlauben eine schnelle und einfache Anwendung der Sensoren für kurz-oder langfristige und stationären als auch ambulanten Aufnahmen. Da EEG ist weniger restriktiv, es ist auch die Methode der Wahl für bestimmte Teilnehmer-Populationen, die nicht die MRT-Umgebung gut vertragen wie Kinder-und bestimmtegeriatrischen und psychiatrischen Populationen. Die Eigenschaften des EEG zeigen eine inverse Muster mit denen der MRT: die zeitliche Auflösung ist sehr hoch mit Millisekunden-Präzision, sondern die räumliche Auflösung ist begrenzt. Elektrische Ströme durchlaufen verschiedene Gewebe zwischen den Generator und die EEG-Elektroden an der Oberfläche der Kopfhaut. Dies führt zu einer Misch-und Raum Verschmieren der Quellenaktivität als das Volumen Leitungseffekt bekannt. Daher Aktivität von den Elektroden auf der Oberfläche der Kopfhaut gemessen reflektiert Aktivität von verschiedenen Quellen, die einen Abstand zur Position der Elektrode auf den Kopf ^1,7 sein könnte.

Viel Arbeit in den letzten Jahren wurde, um die Vorteile ihrer jeweiligen Stärken zu ergreifen, um die Verschmelzung von MRT und EEG gewidmet. Eine Linie der Arbeit ist mit dem gleichzeitigen Erwerb von EEG und MRT in der funktionellen Studien gewidmet. Ein weiterer Ansatz ist die räumliche Information durch strukturelle MRT vorgesehen zu verwenden, um der Lautstärke c nehmenonduction Effekt durch biophysikalische Modellierung. Die Verwendung von Strukturinformationen für die Quellenrekonstruktion von EEG-Aufzeichnungen ist besonders nützlich für Studien mit Kindern und Jugendlichen. Die Untersuchung der Entwicklung der Gehirnfunktion ist zentral für das Verständnis, wie komplexe kognitive Fähigkeiten werden auf der Oberseite der einfachen Vorstufen ⁸ gebaut.

Diese Untersuchungen helfen, Veränderungen der neuronalen Substrate und Reaktionseigenschaften, die mit Veränderungen der Verhaltensleistung korrelieren markieren. Doch die Untersuchung der Hirnfunktion und Kognition in der Entwicklung stellt auch besondere Herausforderungen. Insbesondere wird die Möglichkeit für die funktionelle MRT-Studien, wie Kinder und Kleinkinder entweder schläft oder sediert, um MRT-Daten, ohne Bewegungsartefakte und negative Auswirkungen auf das Wohlbefinden zu erhalten Teilnehmer zu sein, beschränkt. Ferner wird als EEG weniger riskant und invasive von Eltern, die die Rekrutierung von Studienteilnehmern erleichtert wahrgenommen. Therefore ist EEG die Methode der Wahl für viele Untersuchungen der Hirnfunktion bei jungen Kindern. Methodische Fortschritte in der EEG-Systeme ermöglichen die Anwendung des Elektrodenarrays hoher Dichte mit 128 oder mehr Kanäle innerhalb weniger Minuten. Einfache Anwendung und Tragekomfort sind ausreichend, um sogar erlauben EEG-Aufzeichnung in der jüngsten Kinder. Doch oft sind nicht nur Forscher interessieren sich für die zeitliche Dynamik von Reaktionen auf bestimmte Reize, sondern möchte auch die neuronalen Substrate, die die Antworten vermitteln vergleichen.

Eine vorherrschende Annahme in Kanalpegel ERP-Analyse im Vergleich verschiedener Altersgruppen ist, dass die gleichen neuronalen Substrate zu reagieren, sondern, dass der Zeitpunkt oder die Antwortamplitude variiert in Alter von ^9. Ähnliche Kopfhaut Topographie wird oft als Indikator gleichartigen Grund neuronale Aktivität verwendet. Allerdings können viele verschiedene Konfigurationen Quelle ähnliche Topographien ¹⁰ Kopfhaut führen. Durch die Anwendung Quelle Schätzung, diese Uncertainty reduziert und quantifiziert werden. Die Unabhängigkeit der Beobachtungen ist für Netzwerk-Accounts der Gehirnfunktion: wenn die Quellen gemischt werden, Korrelationen zu höheren lokalen Konnektivität vorgespannt werden. Quellenrekonstruktion angewendet werden, um diese Vorspannung ¹¹ zu reduzieren. Alternativ können Unterschiede in der Zeit und der Phase für Konnektivitätsanalyse verwendet werden, aber diese mathematischen Modelle erfordern Annahmen, die schwer in nicht simulierten Daten ¹² bewerten sind. Zusammenfassend stellt Quelle Schätzung zusätzliche Informationen, Kanal-Ebene EEG-und ERP-Analyse auf Basis von Wissen über Anatomie und biophysikalischen Eigenschaften von Gewebe.

Verschiedene Algorithmen entwickelt worden, um Lösungen für das umgekehrte Problem zu finden. Diese Algorithmen lassen sich grob in zwei Kategorien: parametrischen und nicht parametrischen ^13. Parametrische Modelle nehmen eine oder mehrere Dipole, die in Lage, Orientierung und Stärke variieren kann. Im Gegensatz dazu, nicht parametrische Modelle Containa große Anzahl von Dipolen mit festen Position und Ausrichtung. In diesen Modellen wird die Kopfhaut elektrische Aktivität als eine Kombination von Aktivierungen in der festen Dipole ^10,13,14 erläutert. Nicht parametrische, kann die verteilte Quell-Modelle auf Wissen über Anatomie und Leitfähigkeit in verschiedenen Medien basieren. Boundary Element Modelle verfügen Leitfähigkeitswerte für die wichtigsten Gewebe des Kopfes mit verschiedenen Schalen für das Gehirn, Rückenmark-Flüssigkeit Cerebro und Schädel. Dies basiert auf der Annahme, daß die Leitfähigkeit ist meist innerhalb jeder Kammer konstant ist, sondern daß deutliche Veränderungen an der Grenze der verschiedenen Kammern auftreten basiert. Finite-Elemente-Modelle sind auf weitere Segmentierung des MR-Scans in grauer und weißer Substanz bezogen, so daß Leitfähigkeitswerte können in jedem Voxel ¹⁵ zugeordnet werden.

In der Praxis sind nicht parametrischen Modellen besonders nützlich für Quellenrekonstruktion in komplexen kognitiven Aufgaben, bei denen die Anzahl von Bereichen beteiligt sind¹⁰ nicht bekannt werden. Boundary-Element-Modelle werden am häufigsten in der aktuellen Literatur verwendet wird, wahrscheinlich, weil die genauere Finite-Elemente-Modelle stellen vergleichsweise hohen Rechenaufwand. Weiterhin gibt es erhebliche interindividuelle Variabilität in der grauen und weißen Substanz, so dass FEMs sollte auf individuellen MRT-Aufnahmen basieren.

Nicht parametrische Modelle erfordern einen zweiten Schritt zur Anpassung der Kopfhaut gemessen Aktivität, um den Vorhersagen der Vorwärtsmodell. Auch hier haben verschiedene Ansätze mit unterschiedlichen Vor-und Nachteile in der Literatur diskutiert worden (siehe Michel et al. 2004 für einen Überblick). Die am häufigsten verwendeten Algorithmen basieren auf Minimum-Norm Schätzung (MNE), die die Kopfhaut gemessen Aktivität zu einer Stromverteilung in der Vorwärtsmodell mit der niedrigsten Gesamtintensität ¹⁶ Spiele basiert. MNE ist auf schwache und oberflächliche Quellen vorgespannt. Tiefe gewichtete MNE Algorithmen versuchen, die Oberfläche Vorspannung, die durch Einführung von Gewichtungs reduzierenMatrizen auf der Grundlage mathematischer Annahmen ^10. Die weit verbreitete LORETA Ansatz wird auch auf den gewichteten MNE Basis, aber die Laplace-Quellen, die auf glatter Lösungen ^17,18 führt zusätzlich minimiert. LORETA wurde festgestellt, am besten für einzelne Quellen in Simulationsstudien durchzuführen ^19,20. Allerdings kann LORETA über Glättung der Lösungen führen. Tiefe gewichtete MNE ist vorzuziehen, wenn die Quellen nicht bekannt sind oder mehrere Quellen vorhanden sind wahrscheinlich ^{13, 16} zu sein. Vergleichen der Ergebnisse der verschiedenen Algorithmen, um den Einfluss der verschiedenen Modellannahmen auszuwerten empfohlen.

Zusammenfassend wurde Quellenrekonstruktion durch Modellierungsmethoden für Kinder bis vor kurzem eingeschränkt. Das ist, weil die meisten EEG-Analyse-Software setzt auf Kopfmodelle auf Basis von Erwachsenen Anatomie, die die Richtigkeit der Source-Lösungen bei Kindern ^2,8 wesentlich einschränkt. Die billigen Zugang zu Rechenleistung und die Bereitstellung vonbenutzerfreundliche Software für Quellenrekonstruktion machen es möglich, diese Einschränkungen zu überwinden. Anwenden Quelle Schätzung des EEG bietet zwei wichtige Vorteile gegenüber Analyse basierend auf Kanalebene Beobachtungen allein: verbesserte räumliche Auflösung und die Unabhängigkeit der Beobachtungen.

Quelle Abschätzung kann nicht informativ sein, in einigen Fällen: eine gute Abdeckung des Kopfes erforderlich ist, um Quellen zu unterscheiden. High-Density-Systeme mit 128 oder mehr Elektroden werden empfohlen ^10,15; ein spärlicher Abdeckung wird als ein Raumfilter, die zu weiter verbreitet Quelle Aktivierung oder falsch-negative Ergebnisse ¹⁰ handeln. Außerdem hat Quellenrekonstruktion auf der Basis der in diesem Artikel beschriebenen Verfahren nur für kortikale Generatoren gemeldet. Daher ist es für die Prüfung von Hypothesen über subkortikalen Substraten oder kortikalen subkortikalen Wechselwirkungen weniger geeignet. Schließlich sollte auf detaillierte Quellenanalyse vor Hypothesen über die kortikale Substrate basieren,unter die vorhandene Literatur aus anderen bildgebenden Verfahren in Betracht. Räumliche Filtertechniken können auch verwendet werden, um die räumliche Auflösung des EEG-Signals, indem räumliche Mischen auf der Kopfebene zu verbessern. Alternative Methoden, um den Einfluss von Volumenleitungseffekte ohne Kopf reduzieren Modellierung verwendet werden, z. B. Laplace-Filterung ²¹ oder Current Source Density Analyse ^22. Allerdings sind diese Methoden nicht mehr Informationen über neuronale Generatoren als Volumenleitungseffekte sind nicht nur Sensoren in räumlicher Nähe ^ein beschränkt.

In den folgenden Abschnitten beschreibt der Artikel, wie Experimente zur Untersuchung von Gehirn und kognitive Funktion bei Kindern ab 2 Jahren werden an der London Baby Lab entwickelt. Anschließend wird EEG Datenerfassung mit hoher Dichte niedriger Impedanz Systeme mit Kindern diskutiert. Dann wird EEG Vorverarbeitung und Analyse auf der Kanal-Ebene vorgestellt. Lastly, der Artikel konzentriert sich auf die Verarbeitung von strukturellen MRT-Daten für kortikale Quelle Rekonstruktion und Analyse von Source-Level-Signale.

Protocol

1. Planung EEG & Event bezogene Potenzial Experimente für Kinder Hinweis: Ein einfaches Experiment wurde für die Zwecke dieses Artikels, die zur Verarbeitung von Gesichtern bei Kindern untersuchen werden können, konzipiert. Im folgenden Abschnitt wird das Experiment zu beschreiben und zu erklären, wie es zu implementieren mit MATLAB und R2012b Psychtoolbox V3.0.11 23,24. Bilder von der NimStim Satz von emotionalen Gesichtsausdruck 25 aufgenommen wurden für dieses…

Representative Results

Entwerfen ERP-Experimente für Säuglinge und Kinder ist oft eine Herausforderung, die aufgrund ihrer begrenzten Kapazität, lange wiederholenden Versuche 30 zu tolerieren. Dieses Problem wird weiter verschärft, wenn der Experimentator plant Quellenrekonstruktion gilt, da genaue Quellenrekonstruktion wird ein hohes Signal-Rausch-Verhältnis erforderlich 1. Abbildung 1 zeigt ein experimentelles Protokoll für die Untersuchung von Gesicht Verarbeitungsmechanismen, die mit sehr klein…

Discussion

Der vorliegende Artikel beschreibt die Aufzeichnung und Analyse von hoher Dichte EEG für den Wiederaufbau der kortikalen Generatoren mit Boundary-Element-Modelle, die auf altersgerechte durchschnittliche MRI-Vorlagen und Tiefe gewichtete Minimum-Norm-Schätzung in einem Standard-ERP-Paradigma für Kinder geeignet. In diesem Paradigma werden Bilder von Gesichtern und Rührei Gesichter präsentiert. Verschiedene Autoren dieses Paradigma verwendet, um die Entwicklung der Gesichtsverarbeitungsmechanismen über ^35</sup…

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
Referenzen
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.