静止状态脑电图的微状态和欧米茄复杂性分析
Summary
本文描述了基于脑电图 (eeg) 微状态分析和欧米茄复杂性分析的协议, 这是两种无参考脑电图的方法, 对探讨脑功能紊乱的神经机制具有十分重要的价值。
Abstract
微状态和欧米茄的复杂性是两个无参考脑电图 (eeg) 措施, 可以代表的时间和空间复杂的脑电图数据, 并已广泛用于调查神经机制的一些脑部疾病。本文的目的是描述脑电图微状态和欧米茄复杂性分析的基本协议。这两种方法的主要优点是可以消除传统频谱分析固有的参考依赖问题。此外, 微状态分析充分利用了静止状态脑电图的高时间分辨力, 得到的四微状态类可以分别匹配相应的休眠状态网络。欧米茄复杂性的特点是整个大脑或特定大脑区域的空间复杂度, 这与传统的复杂度测量方法相比, 在单个信道中的信号复杂度具有明显的优越性。这两种脑电图测量方法可以相互补充, 分别从时间和空间领域对大脑的复杂性进行研究。
Introduction
脑电图 (eeg) 已被广泛用于记录人脑的电活动在临床诊断和科学研究, 因为它是无创的, 低成本的, 有非常高的时间分辨率1。为了研究静止状态下的脑电图信号, 研究人员开发了许多脑电图技术 (如功率谱分析、功能连接分析)2、3。其中, 微状态分析和欧米茄复杂性分析可以很好地利用脑电信号4中固有的时空信息。
以往的研究表明, 尽管脑电信号的地形分布随着时间的推移在闭眼或睁开的静止状态下变化, 但序列的瞬时图显示了景观的不连续变化, 即稳定交替期在某些准稳定脑电图之间有短的过渡期地形5。微状态被定义作为这些情节与准稳定 EEG 地形, 为时在80和 120 ms1之间。由于不同的电势景观必须由不同的神经源产生, 这些微状态可能成为心理状态的基本块, 可以被认为是 “思想和情感的原子”6。采用现代模式分类算法, 连续观察到四个静止脑电图微状态类, 被标记为 a 类、B 类、C 类和 D 类7。此外, 研究人员发现, 这四微状态类静止脑电图数据与已知的功能系统密切联系在许多静止状态 fMRI (功能磁共振成像) 研究8,9.因此, 微状态分析为研究人脑的静止状态网络 (RSNs) 提供了一种新的方法。此外, 每微状态类的平均持续时间和发生频率, 四微状态地图的地形形状都受到一些脑部疾病4,10,11的影响,并且与流体智力12和个性13相关。
在另一方面, 多通道脑电图的传统功能连接只能描述两个头皮电极之间的功能连接, 从而无法评估整个头皮或某一脑区内的全球功能连通性。Wackermann (1996)14提出的欧米茄复杂性, 并通过结合主成分分析 (PCA) 和香农熵的方法计算, 已被用来量化宽带全球同步的空间分布的脑区。为了评估每个频带的欧米茄复杂度, 傅立叶变换通常是作为初始步骤25进行的。
微状态和欧米茄复杂性可以用来反映两个紧密相连的概念,即时态复杂性和空间复杂性4。由于微状态类代表人脑中的某些心理操作, 它们可以反映神经元振荡的时间结构。更低的持续时间和更高的发生率每秒必须表明更高的时态复杂性。欧米茄复杂性与大脑中独立神经源的数量呈正相关, 因此通常被认为是空间复杂度4的指标。
本文详细介绍了脑电图微状态分析和欧米茄复杂性分析的协议。脑电图微状态和欧米茄复杂性分析为测量脑活动的时间和空间复杂性提供了机会。
Protocol
Representative Results
Discussion
本文详细介绍了两种脑电图分析方法 (即微状态分析法和欧米茄复杂度法), 分别测量人脑的时间复杂度和空间复杂性。在议定书内有几个关键步骤应予提及。首先, 在计算微状态和欧米茄复杂度之前, 必须对 EEG 数据进行清理。其次, 在计算微状态和欧米茄复杂度之前, 应 remontaged 对脑电图数据进行平均参考。第三, 在微状态和欧米茄复杂度计算之前, 必须将连续脑电图数据分割成时代。每个纪元的长…
Divulgations
The authors have nothing to disclose.
Acknowledgements
这篇文章得到了中国国家自然科学基金 (31671141) 的支持。
Materials
| ANT 20 channels EEG/ERP system | ASA-Lab, ANT B.V., Netherlands | company web address: http://www.ant-neuro.com/ |
|
| EEGLAB plugin for Microstates | Thomas Koenig | https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins | |
| sLORETA | Roberto D. Pascual-Marqui | http://www.uzh.ch/keyinst/loreta.htm | |
| MATLAB 2010a | The MathWorks Inc. | company web address: http://www.mathworks.com/ |
|
| eeglab | Swartz Center for Computational Neuroscience, University of California, San Diego | https://sccn.ucsd.edu/eeglab/index.php |
References
- Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
- Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
- Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
- Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
- Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
- Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
- Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
- Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
- Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
- Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
- Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912 (2011).
- Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
- Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
- Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
- Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
- Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
- Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, 5-12 (2002).
- Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
- Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
- Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
- Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
- Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
- Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
- Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
- Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135 (2005).
- Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124 (2003).
