יישומים של נתוני ה-EEG הדמייה: פוטנציאל הקשור לאירוע, כוח של רוח רפאים, וMultiscale אנטרופיה

המטרה הכללית של הליך זה היא לכמת את השונות של סדרת זמנים של EEG ולקשר שונות זו לקיבולת עיבוד המידע של המערכת העצבית העומדת בבסיסה. הדבר מושג תחילה על ידי השגת הקלטות EEG באיכות גבוהה של תגובת המוח. השלב השני הוא עיבוד מקדים של הנתונים כדי להסיר ארטיפקטים.

בשלב הבא, נחלץ את הנתונים הסטטיסטיים הרלוונטיים. כאן נשווה בין היישום החדשני של אנטרופיה רב-קנימית (multi-scale entropy) לבין שיטות מסורתיות יותר של אמפליטודה ממוצעת והספק ספקטרלי. השלב האחרון הוא ניתוח המובהקות הסטטיסטית של התוצאות ופרשנות הנתונים.

ניתן להקל על שלב זה באמצעות שימוש בגישות רב-משתניות מונחות-נתונים, כגון ניתוח ריבועים פחותים חלקיים (partial least squares analysis). בסופו של דבר, משתמשים באנטרופיה רב-סדרית (multi-scale entropy) כדי להראות כיצד רצף של שינויים בתבנית המרחבית-זמנית לאורך סדרי גודל של זמן שונים תורם לפעולות קוגניטיביות ספציפיות. היתרון בשימוש ב-MSC על פני שיטות קיימות, כגון אמפליטודה ממוצעת או הספק ספקטרלי, הוא ש-MSC רגיש לאי-ליניאריות בנתונים.

דינמיקות לא-ליניאריות אלו משקפות מעברים או פיצולים (bifurcations) בין המצבים המיקרוסקופיים של רשת, דבר החשוב להחלפת מידע על פני רשת מבוזרת של אזורי מוח. את ההליך זה תדגים כריסטינה באקר (Christina Backer) ממעבדת ה-ERP במכון למחקר רוטמן. ראשית, הסבירו למשתתף את ההליכים הניסיוניים והשיגו הסכמה מדעת.

נקה את האזור שבו ימוקמו אלקטרודות ה-dropdown באמצעות מטלית אלכוהול. הנח מעט ג'ל על האלקטרודה. הסר את הניירות מהצד שנוגע בעור והנח את האלקטרודות על הנבדק כדי לזהות ארטיפקטים של תנועת עיניים.

הנח Electrode בחיבור הלטרלי (הצדדי) של העפעף העליון והתחתון. הנח Electrode נוסף במרכז הרכס העורבי (orbital ridge), כסנטימטר אחד מתחת לעין ובקו אחד עם האישון. חזור על הפעולה עבור העין השנייה.

מדדו את היקף ראשו של המשתתף ובחרו את גודל כובע האלקטרודות המתאים בהתאם למערכת 10-20 המוכרת בינלאומית. לצורך מיקום האלקטרודות, מדדו את המרחק מה-Inion לאורך קו האמצע וחלקו ב-10%. השתמשו בערך זה למדידה כלפי מעלה מה-Nasion וסמנו את הנקודה.

יישרו את מיקום כיסוי האלקטרודה FP עם סימן זה ומשכו את הכיסוי לאחור. ודאו שמרכז הכיסוי נמצא בקו אחד עם האף. מדדו את המרחק מ-nasn ל-cz ואשרו שמרחק זה הוא מחצית מהמרחק מ-NAS ל-Indian.

לאחר מכן הדקו את רצועת הסנטר והניחו גזה מתחת לרצועה לנוחות במידת הצורך. כעת, מקמו את המזרק בעל הקצה הבלתי חד הממולא בג'ל במחזיקי האלקטרודות כדי ליצור עמוד מוליך של ג'ל. התחילו במגע עם הקרקפת, ולאחר מכן לחצו ומשכו לאחור.

שימו לב כי מריחה של כמות ג'ל רבה מדי עלולה לגשר בין האותים של אלקטרודות שכנות. לאחר מכן, קבעו את האלקטרודות הפעילות בתוך מחזיקי האלקטרודות. לאחר מכן, מקמו את הנבדק מול המסך במרחק המתאים.

עבור הניסוי, בקש מהמשתתף להישאר ללא תנועה תוך הדגשת החשיבות של מזעור תנועות עיניים ומצמוצים. כדי להבטיח הקלטה נקייה, בחן את חיבורי האלקטרודות ואת איכות אות ה-EEG במחשב הרכישה. אם קיימת בעיה באלקטרודה מסוימת, הסר אותה ומריא ג'ל מחדש כדי להתאים את העכבות (impedances) באותו אתר לאחר הניסוי, אך לפני הפקת הסטטיסטיקה הספציפית הרלוונטית.

בצע עיבוד מקדמי לנתוני ה-EEG הרציפים כדי להסיר ארטיפקטים באמצעות פרוצדורות סטנדרטיות של סינון והסרת ארטיפקטים. ניתוח פוטנציאלים קשורי אירוע (ERP) לוכד את הפעילות המוחית הסינכרונית הנמצאת בנעילה פאזית (phase lock) עם תחילת הגירוי. בצע נעילה זמנית (Time lock) של תגובת המוח לתחילת אירוע בולט, ולאחר מכן חשב ממוצע על פני אירועים דומים רבים. כדי להעלות את יחס האות לרעש, זהה את שיא האמפליטודה ואת השהייה (latency) של רכיב ה-ERP עבור כל נבדק. הספק ספקטרלי (Spectra power) מכמת את התרומה היחסית של תדר מסוים לאות EEG ספציפי.

השתמש בניתוח פורייה כדי להמיר את אות ה-EEG מהמישור של הזמן למישור התדר, ולפרק את האות לגלי הסינוס המרכיבים אותו בתדרים משתנים. אנטרופיה רב-סולמית (Multi-scale entropy) היא מדד תיאוריית מידע הלוכד את השונות של אותות נוירו-חשמליים לאורך זמן ובמספר סולמות זמן. השתמש באלגוריתם מ-PhysioNet כדי לחשב אנטרופיה רב-סולמית בשני שלבים.

בשלב הראשון, מתבצעת דגימה מופחתת באופן הדרגתי. דגמו את האות עבור כל ניסוי ובכל קנה מידה של זמן ותנאי. המספר 1 מייצג את האות המקורי.

צרו קשקשי זמן עוקבים על ידי חלוקת האות המקורי תחילה לחלונות שאינם חופפים, באורך של קשקף הזמן. לאחר מכן, חשבו את הממוצע של נקודות הנתונים בתוך כל חלון. לדוגמה, כדי ליצור קשקף זמן שני, בצעו מיצוע משותף.

שתי הנקודות הראשונות, שתי הנקודות הבאות, וכן הלאה. כדי ליצור קנה מידה של זמן של שלושה, ממצעים יחד את שלוש הנקודות הראשונות, שלוש הנקודות הבאות וכן הלאה. באמצעות ייצוג האות המקורית בקני מידה שונים של זמן, ניתן לנתח תהליכים עצביים שעשויים להתפתח בקצבים שונים.

השלב השני מחשב את האנטרופיה של הדגימה עבור כל מסלול. סדרות זמן מחושלות. פעולה זו מספקת הערכה של מורכבות תגובת המוח בטווחי זמן שונים.

לאותים סדירים יש אנטרופיית דגימה נמוכה יותר מאשר לאותים סטוכסטיים יותר. בדוגמה זו, אורך התבנית M נקבע לשתיים. משמעות הדבר היא שסדרת הזמן תיוצג כיחס של התאמות רצף של שתי נקודות לעומת שלוש נקודות.

פרמטר R הוא קריטריון הדמיון. נקודות נתונים שנמצאות בטווח האמפליטודה הזה בעלות ערכים דומים ולפיכך נחשבות כהתאמה. לפרטים על קביעת הפרמטרים, עיינו בפרוטוקול הכתוב לחישוב האנטרופיית של הדגימה (sample entropy) עבור סדרת זמן מס simulated זו.

התחילו עם שני הרכיבים הראשונים. תבנית רצף, אדום כתום; ראשית ספרו כמה פעמים תבנית הרצף אדום כתום מופיעה בסדרת הזמן. ישנם 10 התאמות עבור רצף זה.

רצף של שני רכיבים. שנית, ספרו את מספר הפעמים שבהן תבנית הרצף, אדום, כתום, סגול, מופיעה בסדרת הזמנים.

ישנן חמש התאמות לכך. רצף של שלושה רכיבים. המשיכו באותן פעולות עבור רצף שני הרכיבים הבא, כתום וסגול, ועבור רצף שלושת הרכיבים הבא, כתום, סגול וירוק של סדרת הזמנים.

הוסיפו את מספר ההתאמות בעלי שני רכיבים וההתאמות בעלות שלושה רכיבים עבור רצפים אלו לערכים הקודמים. חזרו על הפעולה עבור כל שאר התאמות הרצפים בסדרת הזמנים כדי לקבוע את היחס הכולל בין התאמות בעלות שני רכיבים להתאמות בעלות שלושה רכיבים. אנטרופיית דגימה (Sample entropy) היא הלוגריתם הטבעי של יחס זה.

נתונים אלו מראים הבדלים תנאיים בהספק ספקטרלי (spectral power) ובאנטרופיה של ERP, בהשוואה בין הצגה ראשונית להצגה חוזרת של תצלומי פנים. בדוגמה זו, כל המדדים התכנסו כדי לחשוף את אותה השפעה של ירידה באנטרופיית המדגם (sample entropy) הנלווית לחזרה על הפנים. ירידה זו במורכבות מרמזת כי הרשת התפקודית המעורבת היא פשוטה יותר ומעבדת פחות מידע.

תוצאות סטטיסטיות אלו נגזרות מניתוח רב-משתני של ריבועים מזדמנים חלקיים (partial least squares) של עוצמה ספקטרלית של ERP ואנטרופיה רב-מימדית עבור פנים הקשורות לרמות שונות של היכרות. הניגוד מראה כי אמפליטודת ה-ERP הבדילה בין פנים חדשות לפנים מוכרות, אך לא בין פנים מוכרות שהשתנו במידת החשיפה המוקדמת. העוצמה הספקטרלית הבדילה בין פנים לפי רמת ההיכרות, אך לא הבדילה באופן מדויק בין פנים בעלות היכרות נמוכה לבינונית.

אנטרופיה רב-סלמית (Multi-scale entropy) הייתה הרגישה ביותר להבדלים בין התנאים. ערכי אנטרופיית הדגימה (Sample entropy) עלו ככל שגברה המוכרות של הפנים. תרשימי תמונות אלו לוכדים את ההתפלגות המרחבית-זמנית של השפעת התנאי.

מעניין לציין כי אנטרופיה רב-קנה מידה (Multiscale entropy) חשפה מידע ייחודי שלא התקבל בניתוחים המסורתיים יותר של ERP או הספק ספקטרלי. סטייה זו באנטרופיה רב-קנה מידה מרמזת כי התנאים שונים ביחס להיבטים לא-ליניאריים של דינמיקת הרשת שלהם, וייתכן שהדבר קשור לאינטראקציות בין פסי רכיבי התדר. כלי ניתוח חדשני זה מסייע לנו ללכוד מידע חדש על דינמיקת הרשת העצבית, ובכך עוזר לנו להתרחק מאפיון תפקוד מנטלי במונחים של מצבים סטטיים ולהתקדם לעבר הבנת הפריסה הדינמית של תהליכים הקשורים לקוגניציה אנושית.