Vorstendom en Omega complexiteit Analyses van de rust-state-elektro-encefalografie
Summary
Dit artikel beschrijft het protocol onderliggende elektro-encefalografie (EEG) dwergstaat te analyseren en omega complexiteit analyse, die twee referentie-vrije EEG maatregelen en zeer waardevol is voor het verkennen van de neurale mechanismen van hersenafwijkingen.
Abstract
Vorstendom en omega complexiteit zijn twee referentie-vrije elektro-encefalografie (EEG) maatregelen die de temporele en ruimtelijke complexiteit van EEG gegevens kunnen vertegenwoordigen en hebben op grote schaal gebruikt om te onderzoeken van de neurale mechanismen in sommige hersenafwijkingen. Het doel van dit artikel is voor het beschrijven van het protocol ten grondslag liggen aan de EEG dwergstaat en omega complexiteit analyses stap voor stap. Het belangrijkste voordeel van deze twee maatregelen is dat ze het referentie-afhankelijke probleem die inherent zijn aan traditionele spectrum analyse zou kunnen elimineren. Bovendien, analyses van de dwergstaat maakt goed gebruik van hoog tijd resolutie van rust statuswaarden EEG, en de vier klassen van de verkregen dwergstaat zou kunnen overeenkomen met de bijbehorende netwerken rusten-staat respectievelijk. De complexiteit van de omega kenmerkt de ruimtelijke complexiteit van de hele hersenen of specifieke hersengebieden, die heeft duidelijk voordeel in vergelijking met traditionele complexiteit maatregelen die gericht zijn op de complexiteit van het signaal in één kanaal. Deze twee EEG maatregelen kunnen aanvullen en elkaar om te onderzoeken van de hersenen complexiteit van het temporele en ruimtelijke domein respectievelijk.
Introduction
Elektro-encefalografie (EEG) is wijd verbeid gebruikt om elektrische activiteit van het menselijk brein, zowel in de klinische diagnose en wetenschappelijk onderzoek, omdat het noninvasive, low-begroot en zeer hoge temporele resolutie1 heeft. Om de signalen van de EEG in rust staat te bestuderen, hebben de onderzoekers vele EEG technieken (bijv. macht spectrum analyse, functionele connectiviteit analyse)2,3ontwikkeld. Hiervan dwergstaat en omega complexiteit analyse kon goed gebruik maken van de ruimtelijke en temporele informatie die inherent zijn aan de EEG signalen4.
Eerdere onderzoeken hebben aangetoond dat hoewel de topografische verdeling van EEG signalen na verloop van tijd in het oog-gesloten varieert of oog-open rust staat, de serie van kortstondige kaarten discontinue veranderingen van landschappen tonen, dat wil zeggen, de periodes van stabiliteit afwisselend met korte overgangsperioden tussen bepaalde EEG topografieën van quasi-stabiele5. Dwergstaten worden gedefinieerd als deze episodes met quasi stabiel EEG topografieën, die tussen 80 en 120 ms-1 duren. Aangezien verschillende elektrische potentiële landschappen moeten zijn gegenereerd door verschillende neurale bronnen, deze dwergstaten kunnen in aanmerking komen als de fundamentele blokken van tenuitvoerlegging en kunnen worden beschouwd als “atomen van gedachte en emotie”6. Met behulp van moderne patroon classificatie algoritmen, zijn vier rusten EEG dwergstaat klassen consequent waargenomen, die werden aangeduid als klasse A, klasse B, klasse C en klasse D7. Bovendien, onderzoekers bleek dat deze vier klassen van het Vorstendom van rusten EEG gegevens nauw verbonden met bekende functionele systemen waargenomen in veel rusten statuswaarden fMRI (functionele magnetische resonantie imaging) studies8,9 waren . De analyses van de dwergstaat verstrekt dus, een nieuwe benadering om te bestuderen de rust staat netwerken (RSNs) van de menselijke hersenen. Bovendien, zijn de gemiddelde duur en de frequentie van voorkomen van elke dwergstaat klasse, de topografische vorm van de vier dwergstaat kaarten sterk beïnvloed worden door sommige hersenen stoornissen4,10,11, en zijn geassocieerd met vloeistof intelligentie12 en persoonlijkheid13.
In het andere aspect, kan traditionele functioneel connectiviteit van multi-kanaals EEG alleen beschrijven de functionele verbindingen tussen twee elektroden van de hoofdhuid, dus niet de globale functionele connectiviteit beoordelen over hoofdhuid of binnen een bepaalde regio van de hersenen. De complexiteit van de omega, voorgesteld door de Wackermann (1996)14 en berekend door een benadering van het combineren van de belangrijkste componenten analyse (PCA) en Shannon entropie, heeft geweest tweedehands voor het kwantificeren van de breed-band globale synchronisatie tussen ruimtelijk gedistribueerde hersengebieden. Teneinde de omega complexiteit van elke frequentieband, werd Fourier-transformatie meestal uitgevoerd als een eerste stap25.
De Dwergstaten en omega complexiteit kunnen worden gebruikt om na te denken twee nauw met elkaar verbonden begrippen, d.w.z., de complexiteit van de temporele en ruimtelijke complexiteit4. Aangezien de dwergstaat klassen bepaalde mentale operaties in de menselijke hersenen vertegenwoordigen, kunnen zij de temporele structuur van neuronale oscillaties weerspiegelen. Lagere duur en hogere voorkomen tarief per seconde vermelden hogere temporele complexiteit. De complexiteit van de omega is positief verwant met het aantal onafhankelijke neurale bronnen in de hersenen, dus worden algemeen beschouwd als een indicator van de ruimtelijke complexiteit4.
Het huidige artikel beschrijft het protocol van EEG dwergstaat en omega complexiteit analyse in detail. De EEG dwergstaat en omega complexiteit analyses bieden de mogelijkheid voor het meten van de temporele en ruimtelijke complexiteit van hersenactiviteit respectievelijk.
Protocol
Representative Results
Discussion
In dit artikel, twee soorten EEG analytische methoden (dat wil zeggen, analyses van de dwergstaat en omega complexiteit analyse), meten van de complexiteit van de temporele en ruimtelijke complexiteit van menselijk brein respectievelijk, werden in detail beschreven. Er zijn verschillende kritische stappen binnen het protocol dat moet worden vermeld. In de eerste plaats moeten de gegevens van de EEG worden gereinigd voordat de berekening van de dwergstaat en omega complexiteit. Ten tweede, de EEG-gegevens moeten worden re…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Dit artikel werd gesteund door de nationale Natural Science Foundation van 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).
