Microestado e análises de complexidade Omega de eletroencefalografia a estado descansando
Summary
Este artigo descreve a análise de microestado protocolo subjacente de eletroencefalografia (EEG) e análise de complexidade de omega, que são duas medidas de EEG livre de referência e altamente valioso para explorar os mecanismos neurais de distúrbios cerebrais.
Abstract
Complexidade de microestado e omega são duas medidas de referência livre Eletroencefalografia (EEG) que podem representar as complexidades temporais e espaciais de dados de EEG e têm sido amplamente utilizadas para investigar os mecanismos neurais em alguns distúrbios cerebrais. O objetivo deste artigo é descrever o protocolo subjacente EEG microestado e omega complexidade análises passo a passo. A principal vantagem destas duas medidas é que eles poderiam eliminar o problema de referência dependente inerente à análise de espectro tradicional. Além disso, análise de microestado faz bom uso do tempo de resolução de EEG descansando-estado, e as quatro classes de microestado obtidos poderiam combinar com as redes de descanso-estado correspondentes, respectivamente. A complexidade de ômega caracteriza a complexidade espacial do cérebro inteiro ou regiões específicas do cérebro, que tem a óbvia vantagem em comparação com as medidas de complexidade tradicional enfocando a complexidade de sinal em um único canal. Estas duas medidas de EEG podem se complementam para investigar a complexidade do cérebro do domínio espacial e temporal, respectivamente.
Introduction
Eletroencefalografia (EEG) tem sido amplamente utilizada para gravar a atividade elétrica do cérebro humano, tanto no diagnóstico clínico e de investigação científica, desde que é não-invasivo, de baixo-custo alocado e tem altíssima resolução temporal de1. A fim de estudar os sinais de EEG em estado de repouso, os investigadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Destes, análise de microestado e análise de complexidade de ômega poderiam fazer bom uso da informação espacial e temporal inerente de sinais EEG4.
Pesquisas anteriores mostraram que, embora a distribuição topográfica de sinais EEG varia ao longo do tempo no olho fechado ou olho-aberto para o estado de repouso, a série de mapas momentâneas mostra mudanças descontínuas de paisagens, ou seja, períodos de estabilidade alternados com períodos de transição curta entre certos de topografias de EEG quase estável5. Microestados são definidos como estes episódios com topografias de EEG quase estáveis, que duram entre 80 e 120 ms1. Desde paisagens de potenciais elétricas diferentes foram geradas por diferentes fontes neurais, estes micro-Estados podem qualificar-se como os blocos básicos de atividade mental e podem ser considerados como “átomos de pensamento e emoção”6. Usando algoritmos de classificação padrão moderno, quatro classes de microestado do EEG de repouso têm sido consistentemente observados, que foram rotulados como classe A, classe B, classe C e classe D7. Além disso, pesquisadores revelou que estas quatro classes de microestado de dados de EEG de repouso estava intimamente associado com conhecidos sistemas funcionais observados em muitos estado descansando RM (ressonância magnética funcional) estudos8,9 . Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Além disso, a duração média e a frequência de ocorrência de cada classe de microestado, a forma topográfica dos quatro mapas microestado são significativamente influenciados por algum cérebro desordens4,10,11, e estão associadas a inteligência fluida personalidade de12 e13.
No outro aspecto, conectividade funcional tradicional de multi-canal EEG só poderia descrever as conexões funcionais entre dois eletrodos no couro cabeludo, assim, não conseguiram avaliar a conectividade funcional global através do couro cabeludo, ou dentro de uma determinada região do cérebro. A complexidade de ômega, proposto pela Wackermann (1996)14 e calculados através de uma abordagem que combina a análise de componentes principais (PCA) e entropia de Shannon, tem sido utilizada para quantificar a sincronização global de banda larga entre espacialmente distribuído a regiões do cérebro. Para avaliar a complexidade de ômega de cada banda de frequência, transformada de Fourier foi comumente realizada como uma etapa inicial de25.
Os microestados e complexidade ômega podem ser usados para refletir a dois conceitos intimamente ligados, ou seja, a complexidade temporal e complexidade espacial4. Desde as classes de microestado representam certas operações mentais no cérebro humano, eles podem refletir a estrutura temporal das oscilações neuronais. Menor duração e maior taxa de ocorrência por segundo devem indicar maior complexidade temporal. A complexidade de ômega está positivamente relacionada com o número de fontes independentes de neurais no cérebro, assim são comumente considerado como um indicador de complexidade espacial4.
O atual artigo descreve o protocolo de análise de microestado de EEG e análise de complexidade de ômega em detalhe. As análises de complexidade de microestado e omega de EEG oferecem a oportunidade de medir a complexidade espacial e temporal da atividade cerebral, respectivamente.
Protocol
Representative Results
Discussion
Neste artigo, dois tipos de métodos analíticos de EEG (i.e., análise de microestado e análise de complexidade de ômega), medir a complexidade temporal e espacial complexidade do cérebro humano, respectivamente, foram descritos em detalhe. Existem várias etapas críticas dentro do protocolo que deve ser mencionado. Em primeiro lugar, os dados do EEG devem ser limpos antes do cálculo da complexidade microestado e omega. Em segundo lugar, os dados de EEG devem ser remontaged contra a referência média antes do cál…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Este artigo foi apoiado pela Fundação Nacional de ciências naturais da China (31671141).
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).
