Кортикальная Источник Анализ высокой плотности ЭЭГ Recordings у детей

Summary

В последние годы наблюдается растущий интерес к оценке корковых источники головы измеренные электрическую активность для когнитивных экспериментов нейронауки. В данной статье описывается высокой плотности ЭЭГ приобретается и как записи обрабатываются для оценки корковой источника у детей в возрасте от 2-х лет в Лондонской лаборатории для новорожденных.

Abstract

ЭЭГ традиционно описывается как метод нейровизуализации с высоким временным и низкого пространственного разрешения. Последние достижения в области моделирования биофизических и обработки сигналов позволяют использовать информацию от других методов визуализации, таких как структурной МРТ, которые обеспечивают высокое пространственное разрешение, чтобы преодолеть это ограничение ^1. Это особенно полезно для исследований, требующих высокого разрешения в височной, а также пространственной области. Кроме того, в связи с легкого применения и низкой стоимости ЭЭГ, ЭЭГ часто методом выбора при работе с населением, таких как маленьких детей, которые не переносят функциональной МРТ сканирует хорошо. Тем не менее, в целях расследования, которые нервные субстраты участвуют, анатомической информации от структурного МРТ по-прежнему необходима. Большинство пакетов ЭЭГ анализ работать со стандартными моделями головных, которые основаны на взрослого анатомии. Точность этих моделей при использовании для детей ограничено ^2, так как соmposition и пространственная конфигурация головы тканей изменения резко за развитие ^3.

В настоящей работе, мы предоставляем обзор нашей недавней работы в использовании моделей на основе отдельных структурных сканирования МРТ или возрастных моделей конкретных головы реконструировать корковых генераторы высокой плотности ЭЭГ. В данной статье описывается ЭЭГ приобретаются, обработаны и проанализированы с детской популяции на Лондонской лаборатории для новорожденных, в том числе лабораторной установки, дизайн задач, ЭЭГ предварительной обработки, переработки МРТ, и уровень канала ЭЭГ и анализа исходного.

Introduction

Президент США Барак Обама назвал человеческий мозг, как следующий рубеж научного открытия с большое значение для здоровья и экономики ³ (http://www.whitehouse.gov/share/brain-initiative). Однако, как и любой другой области в естественных науках, неврологии зависит от достижений в области методологий и методов анализа для прогресса. Два часто используемых неинвазивные инструменты в исследованиях о функции мозга у человека являются магнитно-резонансная томография (МРТ) и электроэнцефалография (ЭЭГ). Это инструмент использовать разные физические свойства и обеспечивают различные взглянуть на функции мозга с уникальными преимуществами и недостатками. МРТ использует магнитные свойства молекул воды внутри магнитных полей для получения изображений живых тканей. Предметом должен быть помещен в магнитное поле, с высокой прочностью на поле. Движение участника ограничено в течение этого процедур и участник должен терпеть шум, вызванный резким изменениям магнитногополе. В дополнение к структурным изображений, МРТ также обеспечивает возможность измерения изменения в оксигенации крови для исследования функции мозга (МРТ). Таким образом, МРТ предлагает относительно высокое пространственное разрешение до 0,5 мм ^3, современными больших полях сканеров и оптимизированными параметрами ^4. В противоположность этому, временное разрешение МРТ ограничивается медленной кинетике смелый ответ, который лишь косвенно отражает высокий временную динамику нейронной активности ^5,6.

С другой стороны, ЭЭГ измеряет изменения в электрической активности, вызванные активности нейронов через электродов, расположенных на коже головы. Последние достижения в области технологии ЭЭГ позволяют быстро и легко применение датчиков для краткосрочной или долгосрочной перспективе и стационарные, а также амбулаторных записей. Поскольку ЭЭГ является менее ограничительным, это также методом выбора для определенных групп населения участников, не допускающей окружающей среды МРТ хорошо, как детская и некоторыегериатрических и психиатрических населения. Свойства ЭЭГ показывают обратную картину для тех, МРТ: временное разрешение очень высока с точностью до миллисекунды, но пространственное разрешение ограничено. Электрические токи проходят через различные ткани между их генератора и электродов ЭЭГ на поверхности кожи головы. Это приводит к смешиванию и пространственной размытию активности источника, известного как эффект объем проводимости. Таким образом, активность, измеренная с помощью электродов на поверхности кожи головы отражает активность из различных источников, которые могут быть далеким от положения электрода на головном ^1,7.

Большая работа в последние годы была посвящена слиянию МРТ и ЭЭГ для того, чтобы воспользоваться их сильные стороны. Одна линия работы посвящена одновременного получения ЭЭГ и МРТ в функциональных исследований. Другой подход заключается в использовании пространственную информацию, предоставленную структурной МРТ с учетом объемного Conduction эффект через биофизического моделирования. Использование структурной информации для восстановления источника записей ЭЭГ особенно полезно для исследований, связанных с педиатрической популяции. Исследование развития функции мозга занимает центральное место в понимании того, как сложные когнитивные навыки строятся на простых предшественников ^8.

Эти исследования помогают выделить изменения в нервных субстратов и свойств реагирования, которые коррелируют с изменениями в поведенческих характеристик. Тем не менее, исследование функции мозга и познания в процессе разработки также создает определенные проблемы. В частности, возможность для функциональных исследований МРТ ограничена маленьких детей и младенцев либо имеют, что спит или седативные для получения данных МРТ без артефактов движения и негативного воздействия на участника благополучия. Кроме того, ЭЭГ воспринимается как менее рискованный и инвазивные родителями, что делает набор участников исследования легче. Тherefore, ЭЭГ является методом выбора для многих исследований функции мозга у детей раннего возраста. Методологические достижения в системах ЭЭГ позволяет применение высокой плотности электродных массивов с 128 или более каналов в течение нескольких минут. Простота применения и комфорт при ношении достаточно, чтобы даже позволить запись ЭЭГ в самых молодых младенцев. Тем не менее, часто исследователи заинтересованы не только в временной динамики ответов на конкретные раздражители, но также хотел бы сравнить нервные субстраты, которые опосредуют ответов.

Преобладающая предположение уровня канала ERP сравнительного анализа различных возрастных групп в том, что одни и те же нейронные субстраты ответить, но что сроки или амплитуда ответ варьируется по возрастов ^9. Похожие головы топография часто используется в качестве индикатора аналогичной базовой нейронной активности. Тем не менее, много различных конфигураций источник может привести к аналогичным кожи головы топологий ^10. Применяя оценку исходного, это Uncertainty может быть снижена и количественно. Независимость наблюдений имеет решающее значение для сетевых счетах функции мозга: если источники смешиваются, корреляции будут смещены в сторону более высокой локальной связности. Реконструкция Источник может быть применен, чтобы уменьшить это смещение ^11. Кроме того, различия в сроках и фазы могут быть использованы для анализа подключения, но эти математические модели требуют предположения, которые трудно оценить в не модельных данных ^12. Таким образом, оценка источником предоставляет дополнительную информацию для уровня канала ЭЭГ и ERP анализа, основанного на знаниях о анатомии и биофизических свойств ткани.

Различные алгоритмы были разработаны, чтобы найти решения обратной задачи. Эти алгоритмы можно в целом разделить на две категории: параметрические и не параметрические ^13. Параметрические модели предполагают один или несколько диполи, которые могут отличаться в месте, ориентации и силы. Напротив, не являющиеся параметрических моделей содерпа большое количество диполей с фиксированного места и ориентации. В этих моделях, скальп электрическая активность объясняется как сочетание активаций в основной диполей ^10,13,14. Номера параметрический, распределенные модели источник может быть основана на знаниях о анатомии и проводимости в различных средах. Элемент Граница модели включают значения проводимости для основных тканей головы с различными снарядами для мозга, спинно спинномозговой жидкости, и черепа. Это основано на предположении, что проводимость в основном постоянным в пределах каждого отсека, но отмечены изменения происходят на границе различных отсеков. Конечные элементные модели основаны на дальнейшей сегментации MR сканирования в серого и белого вещества, так что значения проводимости могут быть назначены каждого воксела ^15.

С практической точки зрения, не являющихся параметрических моделей особенно полезны для восстановления источника в сложных когнитивных задач, в которых число областей, участвующих можетне знают, ^10. Краевые элементные модели наиболее широко используются в современной литературе, вероятно, потому, что более точные модели конечных элементов представляют сравнительно высокие вычислительные мощности. Кроме того, существует значительная среди индивидуальная изменчивость в серого и белого вещества, так что FEMS должны основываться на индивидуальных сканирования МРТ.

Номера параметрические модели требуют второй шаг для согласования головы измеренное деятельность предсказаниям прямом модели. Опять же, разные подходы с различными преимуществами и недостатками были обсуждены в литературе (см. Мишель и др.. 2004 для обзора). Наиболее широко используемые алгоритмы основаны на минимальной оценки нормы (МНК), который соответствует головы измеренной активности в текущем распределении в прямом модели с самой низкой общей интенсивности ^16. МНП смещена в сторону слабых и поверхностных источников. Глубина взвешенные алгоритмы МНК попытаться уменьшить уклон поверхности путем введения взвешиваниематрицы на основе математических предположениях ^10. Широко используется LORETA подход также основан на взвешенном МНК, но дополнительно минимизирует лапласиане источников, что приводит к более плавного решений ^17,18. LORETA было установлено, работают лучше для одиноких источников в имитационных исследованиях ^19,20. Тем не менее, LORETA может привести к более сглаживании решений. Глубина взвешенный МНК является предпочтительным, когда источники неизвестны или несколько источников, вероятно, будут присутствовать ^{13, 16.} Сравнивая результаты различных алгоритмов для оценки влияния различных модельных предположений рекомендуется.

Таким образом, реконструкция источника с помощью методов моделирования не был ограничен для детей до недавнего времени. Это потому, что большая часть программного обеспечения анализ ЭЭГ опирается на модели головы на основе взрослой анатомии, который существенно ограничивает достоверность исходных растворов в детей ^2,8. Дешевый доступ к вычислительной мощности и обеспеченияудобное программное обеспечение для восстановления источника позволяют преодолеть эти ограничения. Применяя оценку источника на ЭЭГ обеспечивает два важных преимущества по сравнению с анализом на основе наблюдений только канального уровня: улучшение пространственного разрешения и независимости наблюдений.

Оценка Источник не может быть информативным в некоторых случаях: хороший охват головы требуется различать источники. Системы высокой плотности с 128 или более электродов рекомендуется ^10,15; редкой охват будет выступать в качестве пространственного фильтра, ведущей к более широкому активации источника распространения или ложных отрицательных результатов ^10. Кроме того, реконструкция источник на основе способа, описанного в этой статье только Сообщалось о корковых генераторов. Таким образом, меньше подходит для проверки гипотез о подкорковых субстратов или коры подкорковых взаимодействий. Наконец, анализ источником должна быть основана на подробных предварительных гипотез о корковых субстратов,принимая существующую литературу от других методов визуализации во внимание. Пространственные методы фильтрации может также использоваться, чтобы улучшить пространственное разрешение сигнала ЭЭГ путем уменьшения пространственное перемешивание на уровне головы. Альтернативные методы, чтобы уменьшить влияние эффектов объем проводимости без головы моделирования используются, например, оператор Лапласа фильтрации ²¹ или Текущий анализ ²² Источник Плотность. Однако эти методы не обеспечивают больше информации о нейронных генераторов как эффекты объем проводимости не ограничивается только датчиков в непосредственной пространственной близости ^1.

В следующих разделах, в статье описывается, как эксперименты по исследованию мозга и когнитивные функции у детей от 2-х лет разработаны в Лондонской лаборатории для новорожденных. Далее, сбора данных ЭЭГ с высокой плотностью системах низкого импеданса с детьми обсуждается. Тогда, предварительная обработка ЭЭГ и анализ на уровне канала представлена. Lastlу, статья посвящена обработке структурных данных МРТ для реконструкции корковой источника и анализа сигналов уровня входного сигнала.

Protocol

1. Проектирование ЭЭГ и события, связанные потенциальные эксперименты для детей Примечание: Простой эксперимент был разработан для целей настоящей статьи, которые могут быть использованы для расследования лицом, обработка у маленьких детей. В следующем разделе будет оп?…

Representative Results

Проектирование ERP эксперименты для младенцев и детей часто бросает вызов, из-за их ограниченных возможностей терпеть длинные повторяющиеся опыты 30. Эта проблема еще более усугубляется, когда экспериментатор планирует подать заявку реконструкции источника, потому что точной рек…

Discussion

Настоящая статья описывает регистрацию и анализ высокой плотности ЭЭГ на реконструкцию корковых генераторов с использованием моделей граничных элементов на основе возраста соответствующие средние шаблоны МРТ и глубина взвешенная минимальная оценка нормой в стандартном ERP парадигм…

Materials

High-density EEG sensor net (128 or 256 channels)	HydroCel Geodesic Sensor Net 128	Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier	NetAmps 200	Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer	PowerMac G4	Apple Inc, California, US
Stimulus Presentation Computer	Optiplex 745	Dell Computers Inc., Texas, US
Stimulus Presentation Software	Matlab R2012b with PsychToolBox	Brainard et al. 1997
EEG recording software	NetStation 4.5.1	Electrical Geodesic Inc., Oregon, US
EEG analysis software	Matlab R2012b	The Mathworks Inc.,
	EEGLAB	Delorme et al. 2004
	BrainStorm	Sylvain et al. 2001
MRI processing software	FreeSurfer	Fischl et al. 2004
	OpenMEEG	Gramfort et al. 2010
Riferimenti
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.