Mikrotillstånd och Omega komplexitet analyser av den vilande-state elektroencefalografi
Summary
Denna artikel beskriver de protokoll underliggande elektroencefalografi (EEG) Mikrotillstånd analys och omega komplexitet analys, som är två referens-fri EEG åtgärder och värdefullt att utforska de neurala mekanismerna av sjukdomar i hjärnan.
Abstract
Mikrotillstånd och omega komplexitet är två referens-fri elektroencefalografi (EEG) åtgärder som kan representera den tidsmässiga och rumsliga komplexiteten i EEG data och har använts i stor utsträckning att undersöka de neurala mekanismerna i vissa sjukdomar i hjärnan. Målet med denna artikel är att beskriva protokollet underliggande EEG Mikrotillstånd och omega komplexitet analyser steg för steg. Den största fördelen med dessa två åtgärder är att de kan eliminera problemet referens-beroende inneboende till traditionella Responsspektrum analys. Dessutom Mikrotillstånd analys gör god användning av hög tid resolution av vila-state EEG och de fyra erhållna Mikrotillstånd klasserna kunde matcha motsvarande vila-state nätverken respektive. Omega komplexitet karaktäriserar rumsliga komplexiteten i hela hjärnan eller delar av hjärnan, som har uppenbara fördelar jämfört med traditionella komplexitet åtgärder med fokus på signal komplexiteten i en enda kanal. Dessa två EEG-åtgärder kan komplettera varandra för att undersöka hjärnan komplexiteten från domänen tidsmässiga och rumsliga respektive.
Introduction
Elektroencefalografi (EEG) har ofta använts för att registrera elektriska aktivitet i den mänskliga hjärnan både klinisk diagnos och vetenskaplig forskning, eftersom det är icke-invasiv, låg-kostnadsberäknade och har mycket hög temporal upplösning1. För att studera de EEG-signalerna i vilande tillstånd, har forskare utvecklat många EEG tekniker (t.ex. power spectrum analys, funktionella anslutningsmöjligheter analys)2,3. Av dessa kunde Mikrotillstånd och omega komplexitet analys utnyttja den rumsliga och tidsmässiga informationen inneboende i EEG signaler4.
Tidigare undersökningar har visat att även om topografiska fördelningen av EEG signaler varierar över tiden i ögat-stängt eller öga-öppna vilande tillstånd, serien av momentan kartor Visa kontinuerliga förändringar av landskap, dvs perioder av stabilitet alternerande med korta övergångsperioder mellan vissa kvasi stabil EEG kretsmönster5. Frihandelsområden definieras som dessa episoder med kvasi stabil EEG kretsmönster, som varar mellan 80 och 120 ms1. Eftersom olika elektrisk potential landskap måste ha genererats av olika neurala källor, dessa frihandelsområden kan räknas som de grundläggande block av förandet och kan betraktas som ”atomer av tanke och känsla”6. Med hjälp av moderna mönster klassificering algoritmer, har fyra vilar EEG Mikrotillstånd klasser genomgående observerats, som var märkt som klass A, klass B, klass C och klass D7. Dessutom visade forskare att dessa fyra Mikrotillstånd klasser av vilande EEG data var nära förknippad med välkända funktionella system som observerats i många vila-state fMRI (funktionell magnetisk resonanstomografi) studier8,9 . Således föreskrivs Mikrotillstånd analysen en ny metod för att studera de vilande tillstånd nätverk (RSNs) mänskliga hjärnan. Dessutom påverkas den genomsnittliga varaktigheten och frekvensen av förekomsten av varje Mikrotillstånd klass, topografiska formen av fyra Mikrotillstånd kartor betydligt av vissa hjärnan störningar4,10,11, och är associerade med flytande intelligens12 och personlighet13.
I den andra aspekten, kunde traditionella funktionella anslutning av flerkanaligt EEG bara beskriva de funktionella anslutningarna mellan två hårbotten elektroder, således underlåtit att bedöma den globala funktionella connectivity över hårbotten eller inom en viss region i hjärnan. Omega komplexiteten, föreslås av Wackermann (1996)14 och beräknas genom en strategi som kombinerar principalkomponentanalys (PCA) och Shannon entropi, har använts för att kvantifiera den breda globala synkroniseringen mellan rumsligt distribueras av hjärnan. För att bedöma omega komplexiteten i varje frekvensband, utfördes Fouriertransform vanligen som ett första steg25.
Av frihandelsområden och omega komplexiteten kan användas för att återspegla två närbesläktade begrepp, dvs, tidsmässig komplexitet och rumsliga komplexitet4. Eftersom klasserna Mikrotillstånd representerar vissa mentala operationer i mänskliga hjärnan, kan de reflektera temporal strukturera av neuronala svängningar. Lägre varaktighet och högre förekomst hastighet per sekund måste ange högre tidsmässig komplexitet. Omega komplexitet är positivt relaterat med antalet oberoende neurala källor i hjärnan, alltså vanligen betraktas som en indikator på rumsliga komplexitet4.
Den aktuella artikeln beskriver protokollet av EEG Mikrotillstånd och omega komplexitet analys i detalj. EEG Mikrotillstånd och omega komplexitet analyserna ger möjlighet att mäta den tidsmässiga och rumsliga komplexiteten i hjärnans aktivitet respektive.
Protocol
Representative Results
Discussion
I denna artikel, två sorters EEG analytiska metoder (dvs Mikrotillstånd analys och omega komplexitet analys), mätning av tidsmässig komplexitet och rumsliga komplexiteten hos mänskliga hjärnan respektive, beskrevs i detalj. I området i närheten finns det flera kritiska steg inom protokollet som bör nämnas. För det första måste EEG data rengöras före uträkningen av Mikrotillstånd och omega komplexitet. För det andra bör EEG data vara remontaged mot den genomsnittliga referensen innan uträkningen av Mik…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Denna artikel stöddes av den nationella naturvetenskap Foundation i Kina (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).
