Mikrostaten og Omega kompleksitet analyser av hvile-statlige Elektroencefalogram
Summary
Denne artikkelen beskriver protokollen underliggende Elektroencefalogram (EEG) mikrostaten analyse og omega kompleksitet analyse, som er to referanse-fri EEG tiltak og svært verdifullt å utforske nevrale mekanismer for hjernen lidelser.
Abstract
Mikrostaten og omega kompleksitet er to referanse-gratis Elektroencefalogram (EEG) tiltak som kan representere timelige og romlig kompleksiteten av EEG data og mye brukt å undersøke nevrale mekanismer i noen hjernen lidelser. Målet med denne artikkelen er å beskrive protokollen underliggende EEG mikrostaten og omega kompleksitet analyser trinnvis. Den største fordelen med disse to tiltakene er at de kan eliminere referanse-avhengige problemet iboende tradisjonelle spectrum analyser. I tillegg mikrostaten analysen gjør god bruk av høy tid oppløsning på hvile statuser EEG, og fire innhentet mikrostaten klasser kunne matche den tilsvarende hvile-statlige nettverk hhv. Omega kompleksiteten karakteriserer romlige kompleksiteten i hele hjernen eller bestemte hjernen regioner, som har opplagt fordel sammenlignet med tradisjonelle kompleksitet tiltak fokuserer på signalet kompleksiteten i én kanal. Disse to EEG tiltakene kan utfylle hverandre for å undersøke hjernen kompleksitet fra timelige og romlige domenet henholdsvis.
Introduction
Elektroencefalogram (EEG) har vært mye brukt registrere elektrisk aktivitet i hjernen både i klinisk diagnose og forskning, siden det er noninvasive, lav-kostet og har svært høy midlertidig løsning1. For å studere EEG signalene i hvile tilstand, har forskere utviklet mange EEG teknikker (f.eks makt spektrum analyse, funksjonelle tilkobling analyse)2,3. Av disse kan mikrostaten analyse og omega kompleksitet analyse gjøre god bruk av romlige og tidsmessige i EEG signaler4.
Tidligere undersøkelser har vist at selv om topografiske fordelingen av EEG signaler varierer over tid i øyet-lukket eller øye-åpen hvile tilstand, en rekke kortvarig kart vise usammenhengende endringer av landskap, dvs. perioder med stabilitet vekslende med kort overgang perioder mellom visse kvasi stabil EEG topografi5. Mikrostater defineres som disse episodene med kvasi stabil EEG topografi, som varer mellom 80 og 120 ms1. Siden ulike elektrisk potensielle landskaper må ha blitt generert av forskjellige nevrale kilder, disse mikrostater kan kvalifisere som grunnleggende blokker av implementering og kan betraktes som “atomer av tanker og følelser”6. Ved hjelp av moderne mønster klassifisering algoritmer, er fire hviler EEG mikrostaten klasser konsekvent observert, var merket klasse A, klasse B, klasse C og klasse D7. Videre avslørte forskere at disse fire mikrostaten klasser av hvile EEG data var tett forbundet med kjente funksjonelle systemer i mange hviler statuser fMRI (funksjonell magnetisk resonans imaging) studier8,9 . Dermed gitt mikrostaten analysen en ny tilnærming for å studere hvile tilstand nettverk (RSNs) av menneskelige hjerne. I tillegg er den gjennomsnittlige varigheten og frekvensen av forekomsten av hver mikrostaten klasse, topografiske form av fire mikrostaten kartene betydelig påvirket av noen hjernen lidelser4,10,11, og er forbundet med væske intelligens12 og personlighet13.
I det andre aspektet, kunne tradisjonelle funksjonelle tilkobling av flerkanals EEG bare beskrive funksjonelle tilkoblinger mellom to hodebunnen elektroder, dermed kunne vurdere globale funksjonelle tilkobling over hodebunnen eller innenfor en bestemt hjernen regionen. Omega kompleksiteten, foreslått av Wackermann (1996)14 og beregnet gjennom en tilnærming kombinere viktigste komponenten analyse (PCA) og Shannon entropi, har vært brukt om å kvantifisere bredbånd globale synkroniseringen mellom romlig distribuert områder av hjernen. For å vurdere omega kompleksiteten i hver frekvensbånd, ble Fourier transform vanligvis gjennomført som et første skritt25.
Mikrostater og omega kompleksitet kan brukes å reflektere to nært knyttet begreper, dvs, temporal kompleksitet og romlig kompleksitet4. Siden mikrostaten klassene representerer visse mentale operasjoner i hjernen, kan de gjenspeiler den temporale strukturen av neuronal svingninger. Lavere varighet og høyere forekomst rate per sekund må angi høyere temporal kompleksitet. Omega kompleksiteten er positivt relatert med antall uavhengige nevrale kilder i hjernen, dermed er vanligvis regnet som en indikator på romlige kompleksitet4.
Gjeldende artikkelen beskriver protokollen for EEG mikrostaten analyse og omega kompleksitet analyse i detalj. EEG mikrostaten og omega kompleksitet analysene tilbyr muligheten til å måle timelige og romlig kompleksiteten i hjerneaktiviteten henholdsvis.
Protocol
Representative Results
Discussion
I denne artikkelen, to typer EEG analytiske metoder (dvs. mikrostaten analyse og omega kompleksitet analyse), måle temporal kompleksitet og romlig kompleksiteten av menneskelige hjerne henholdsvis, ble beskrevet i detalj. Det er flere viktige skritt i protokollen som bør nevnes. EEG dataene må først rengjøres før beregning av mikrostaten og omega kompleksiteten. Dernest bør EEG dataene være remontaged mot gjennomsnittlig referansen før beregning av mikrostaten og omega kompleksiteten. For det tredje må kontinue…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Denne artikkelen ble støttet av National Natural Science Foundation of 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).
