Summary
이 문서에서는 설명 합니다 프로토콜 기본 electroencephalography (뇌 파) 미세 분석 및 오메가 복잡도 분석, 두 참조 무료 뇌 파 측정은 매우 귀중 한 뇌 장애의 신경 메커니즘을 탐구 하 고.
Abstract
미세 및 오메가 복잡성 가지 두 참조 무료 electroencephalography (뇌 파) 조치를 뇌 파 데이터의 시간적, 공간 복잡성을 나타낼 수 있습니다 일부 뇌 장애에서 신경 메커니즘을 조사 하기 위해 널리 사용 되 고 있다. 이 문서의 목표는 뇌 파 미세와 오메가 복잡도 분석 단계 기본 프로토콜을 설명 하기 위해입니다. 이 두 측정의 주요 장점은 그들이 전통적인 스펙트럼 분석에 내재 된 참조 종속 문제를 없앨 수 있습니다. 또한, 미세 분석 수 휴식 상태 뇌 파의 높은 시간 해상도의 그리고 4 얻은 미세 클래스 각각 해당 휴식 상태 네트워크를 일치 하는 수 있습니다. 오메가 복잡성 단일 채널에 신호 복잡성에 초점을 맞추고 전통적인 복잡도 측정에 비해 명백한 장점이 뇌 또는 특정 두뇌 지구, 공간 복잡성을 특징. 이 두 가지 뇌 파 측정 일시 및 공간 도메인에서 뇌 복잡성을 각각 조사를 서로 보완 수 있습니다.
Introduction
Electroencephalography (뇌 파) 이후 비 침범 성, 낮은 costed은 매우 높은 시간 해상도1임상 진단 및 과학 연구에서 인간의 뇌의 전기 활동을 기록 하는 데 널리 사용 되었습니다. 휴식 상태에서 뇌 파 신호를 공부 하기 위하여 연구자는 많은 뇌 파 기법 (예: 파워 스펙트럼 분석, 기능적 연결 분석)2,3를 개발 했습니다. 이러한 미세 분석 및 오메가 복잡도 분석 만들 수 있습니다 공간 및 시간 정보를 잘 활용 뇌 파 신호4에.
이전 연구 것으로 나타났습니다 있지만 뇌 파 신호의 지형 분포 눈 마감 시간이 지남에 다릅니다 또는 눈-개방 상태를 휴식, 순간 지도 시리즈 쇼의 풍경, 불연속 변화 즉, 교대로 반복 되는 안정성의 기간 특정 준 안정 된 뇌 파 topographies5사이의 짧은 전환 기간. Microstates 80와 120 ms1사이 지속 하는 준 안정 된 뇌 파 topographies와이 에피소드로 정의 됩니다. 이후 다른 전기 잠재적인 풍경 다른 신경 소스에 의해 생성 된 합니다, 이러한 microstates mentation의 기본 블록으로 받을 수 있습니다 하 고 "생각과 감정의 원자"6으로 간주 될 수 있습니다. 현대 패턴 분류 알고리즘을 사용 하 여, 뇌 파 미세 클래스 휴식 4 일관 되 게 관찰 되었습니다, 클래스 A, 클래스 B, 클래스 C, 클래스 D7이라고 표시 되었다는. 또한, 연구팀은 뇌 파 데이터 휴식의이 4 개의 미세 클래스 많은 휴식 상태 fMRI (기능성 자기 공명 영상) 연구8,9에서 잘 알려진 기능 시스템과 밀접 하 게 관련 했다 밝혀 . 따라서, 미세 분석 인간 두뇌의 휴식 상태 네트워크 (RSNs) 연구에 새로운 접근 방식을 제공 합니다. 또한, 평균 기간 및 각 미세 클래스, 4 개의 미세 지도의 지형 모양의 발생 빈도 크게 영향을 일부 뇌 장애4,,1011, 연결 된 유체 지능12 및 성격13.
다른 측면에서 다중 채널 EEG의 전통적인 기능 연결 수만 따라서 두 피 전체 또는 특정 뇌 영역 내에서 글로벌 기능 연결을 평가 하는 데 실패 하는 2 개의 두 피 전극 사이 기능적인 연결을 설명 합니다. 오메가 복잡성, Wackermann (1996 년)14 에 의해 제안 되 고 주성분 분석 (PCA)와 섀 넌 엔트로피 접근 방식을 통해 계산 공간 사이의 광대역 글로벌 동기화를 계량 하는 데 사용 되었습니다. 분산 된 뇌 영역입니다. 각 주파수 대역의 오메가 복잡성을 평가, 푸리에 변환 일반적으로 초기 단계25로 실시 되었다.
Microstates와 오메가 복잡성은 두 개의 밀접 하 게 연결 된 개념, 즉, 시간 복잡도 공간 복잡성4에 맞게 사용할 수 있습니다. 이후 미세 클래스 대표 인간 두뇌에 있는 특정 정신 작업, 그들은 신경 진동의 시간적 구조를 반영할 수 있다. 낮은 기간 및 초당 더 높은 발생 비율 높은 시간 복잡도 지정 해야 합니다. 오메가 복잡성 긍정적으로 관련 된 두뇌에 독립적인 신경 원의 수, 따라서 일반적으로 간주 됩니다 공간 복잡성4의 지표로 서.
현재 문서에서는 뇌 파 미세 분석 및 세부 사항에 오메가 복잡도 분석 프로토콜을 설명합니다. 뇌 파 미세와 오메가 복잡도 분석 각각 두뇌 활동의 시간적, 공간 복잡성을 측정 하기 위해 기회를 제공 합니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
이 프로토콜은 로컬 윤리 위원회에 의해 승인 되었다. 모든 참가자와 그들의 부모는이 실험에 대 한 동의 양식 서명.
1입니다. 과목
- 15 건강 한 남성 사춘기 과목, 누구의 나이 범위는 14에서 22 년 포함 (± 표준 편차 의미: 18.3 ± 2.8 년).
참고: 현재 프로토콜 미세와 오메가 복잡도 분석을 건강 한 주제에 대 한 개발 되었습니다 하지만이 그룹에 제한 되지 않습니다.
2. 뇌 파 데이터 기록
- 뇌 파 데이터 기록 된 침묵, 온도 제어 룸에서 편안한의 자에 앉아 주제 요청. 이 프로토콜에서 개미 뇌 파 시스템을 사용 하 여 20 채널 뇌 파 데이터를 수집 합니다.
- 피사체의 머리에 모자를 넣어.
- 대부분 사춘기 또는 남성 과목에 대 한 적합 한 이후이 연구에서 중간 크기와 모자를 사용 합니다. 어린이 위한 각 과목의 머리 둘레를 측정 하 고 적당 한 크기와 모자를 확인 하십시오.
- 약 inion와 교정 사이 거리의 50% 및 왼쪽 및 오른쪽 간 청각 톱니 사이의 거리의 50%에 전극 Cz를 놓습니다. 왼쪽 및 오른쪽 mastoid 뼈에 각각 참조 전극을 놓습니다. 10-20 시스템에 따라 국제 표준 위치에 다른 두 피 전극을 놓습니다.
참고: 한 전극 시스템 및 뇌 파 20 채널 증폭기는 EEG 미세 분석 및 오메가 복잡도 분석에 대 한 충분 한.
- 전극을 통해 무딘 바늘을 삽입 하 여 전도성 젤으로 모든 전극을 채우십시오. 전도성 젤을 사용 하 여 낮은 임피던스. 10 kiloohms (ω) 보다 낮은 모든 전극 임피던스를 유지.
- 과목에 대 한 몇 가지 엔터테인먼트를 제공 하는이 기간 동안 (예를 들어, 단편 영화 보기). 건조 전극 또는 염 분 전극 사용, 전도성 젤을 주입 하는 단계를 건너뜁니다.
- 눈 감고 5 분 디지털화 소프트웨어를 사용 하 여 디지털화 하 고 뇌 파를 기록 하는 지속 신호 기록 하는 동안 긴장을 주제를 지시 합니다. 적어도 250 샘플/미 0.1 보다 광범위 한 온라인 필터를 사용 하 여 및 80 Hz의 샘플링 속도 사용 합니다.
참고: 대부분의 상용 가능한 전극 증폭기 시스템 사용 하 여 뇌 파 신호 대 잡음 비율에 신호를 향상 시킬 수 있는 활성 전극 시스템 배치 하지 마십시오 어떤 전기 장치 든 지에 가까운이 시스템 뇌 파 기록 중.
3. 뇌 파 데이터 전처리
참고: 뇌 파 데이터 수 수 전처리 다양 한 오픈 소스 또는 상용 소프트웨어를 사용 하 여. 아래에 제공 된 지침 EEGLAB에 대 한 특정 있습니다. 이 뇌 파 데이터 전처리에 많은 사용 가능한 옵션 중 하나일 뿐입니다.
- 뇌 파 소프트웨어 (예: EEGLAB)를 원시 뇌 파 데이터 가져오기 (파일 | 데이터 가져오기 | EEGLAB 함수를 사용 하 여 및 플러그인).
참고: 다양 한 전극 증폭기 시스템에서 기록 된 원시 뇌 파 데이터는 EEGLAB, EGI, 개미, 등에 의해 인식 될 수 있는 뇌 비전 레코더, 그리고 Neuroscan. - 뇌 파 소프트웨어 채널 위치 파일 로드 (편집 | 채널 위치)입니다. 비록 뇌 파 데이터 및 채널 이름 EEGLAB을 가져온,이 전극의 공간 위치를 얻기 위하여 뇌 파 소프트웨어에 채널 위치 파일을 가져옵니다.
- 기준 전극 제거 (편집 | 데이터 선택 | 선택 데이터 채널 범위에서). "선택 데이터는 채널 범위에서" 팝업 대화 상자의 옵션에서 기록 전극만을 선택 하 고 참조 전극 제거 될 수 있도록 참조 전극 선택 하지 마십시오. 이후이 두 전극은 각각 왼쪽 및 오른쪽 mastoid 뼈에 배치 됩니다 참조 전극에 기록 된 데이터는 '진정한' 뇌 신호, 아니다.
- 밴드 패스 필터 뇌 파 데이터 0.5와 80 Hz 사이 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]). 팝업 대화 상자에서 "주파수 패스 밴드 (Hz)의 낮은 가장자리", 5를 선택 하 고 "주파수 패스 밴드 (Hz)의 더 높은 가장자리"에 대 한 80를 선택 합니다. 그런 다음 "확인" 버튼을 클릭 합니다.
- 49 및 51 Hz 사이 노치 필터와 함께 전원 라인 노이즈 제거 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]). 팝업 대화 상자에서 "주파수 패스 밴드 (Hz)의 낮은 가장자리", 대 한 49 고 51 "주파수 패스 밴드 (Hz)의 더 높은 가장자리"에 대 한 선택 선택한 "노치 필터 통과 대역 대신 데이터"의 옵션을 선택 합니다. 그런 다음 "확인" 버튼을 클릭 합니다.
- 눈 운동, 전도 (EMG) 또는15장 님 소스 분리 (BSS) 알고리즘 사용 하 여 다른 비 생리 적인 유물에 의해 오염 된 데이터 부분을 수정 합니다. 눈의 움직임, 클릭 도구 | AAR 1.3을 사용 하 여 아티팩트 제거 | EOG 제거 | BSS;를 사용 하 여 EMG, 도구 | AAR 1.3을 사용 하 여 아티팩트 제거 | EMG 제거 BSS를 사용 하 여입니다.
- Epoch 길이 2의 신 기원에 미리 처리 된 연속 뇌 파 데이터 세그먼트 s. 이 작업을 수행 하려면 '뇌 파 = eeg_regepochs (뇌 파, '되풀이', 2, '제한', [0 2], 'rmbase', 할머니); pop_saveset(EEG)', 다음 키보드의 Enter 키를 누르십시오. 창이 팝업 됩니다 세그먼트 뇌 파 데이터의 저장을 허용 하는.
- 뇌 파 소프트웨어를 세그먼트 뇌 파 데이터 가져오기 (파일 | 기존 데이터 집합 로드).
- 어떤 전극에 ± 80 µ V를 초과 하는 진폭 값 EEG epochs 거부 (도구 | 데이터 신기를 거부 | 데이터 [모든 방법] 거부).
- 전처리 된 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).
4. 뇌 파 미세 분석
참고: 고전 k-means 클러스터링 알고리즘의 수정된 된 버전 미세 클래스 분석16, 상향식 절차와 최대 아래 절차는 사용 됩니다. 상향식 절차에서 그룹 수준 미세 클래스 공간 상관 관계를 사용 하 여 클러스터링 기준으로 식별 됩니다. 다음 위쪽-아래쪽 절차에서 각 지형 지도 각 그룹에 각 과목의 최대 공간 상관 관계 된 뇌 파 미세 클래스에 할당 됩니다. 휴식 상태 뇌 파 미세 분석에 대 한 지형도의 극성은 일반적으로 무시 된다. 뇌 파 미세 클래스 분석을 할 수 있는 CARTOOL, sLORETA, 등 다양 한 오픈 소스 소프트웨어를 사용 하 여 엠마와 MapWin. 아래에 제공 된 지침은 Microstates의 EEGLAB 플러그인에 대 한 특정 있습니다. EEGLAB 플러그인이 https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins에서 다운로드 받을 수 있습니다.
- 각 주제에 대 한 전처리 뇌 파 데이터 로드 (파일 | 일반적인 평균 참조 데이터 집합을 기존 하는 부하의 경우) 변환 참조 채널 (도구 | 다시 참조), 그리고 대역 통과 필터 2와 20 Hz 사이 뇌 파 데이터 (도구 | 데이터 필터링 | 기본 FIR 필터 [새, 기본]).
- 각 주제에 4 개의 미세 지도 식별 (도구 | Microstates | 식별 미세 지도). 팝업 대화 상자에서 "클래스의"분 번호 3을 선택, "클래스의"최대 번호 6을 선택, 다시 시작 "수"에 대 한 50, "최대 수 사용 하 여 지도", 선택 선택한 "GFP 피크만"와 "극성"의 옵션을 선택. 그런 다음 "확인" 버튼을 클릭 합니다.
- 지도 자체 미세 식별 후 각 과목의 뇌 파 데이터 저장 (파일 | 현재 데이터 집합으로 저장).
- 마지막 단계에서 한 번에 저장 하는 모든 과목의 뇌 파 데이터 집합 가져오기 (파일 | 기존 데이터 집합 로드).
- 그룹 수준 미세 지도 식별 (도구 | Microstates | 평균 미세 지도 데이터 집합에서). 팝업 대화 상자에서 옵션에서 모든 과목의 데이터 집합 "평균에 대 한 설정 선택" 선택 합니다. 옵션 "의 이름"에서 그룹 수준 미세 지도 대 한 이름을 주어 라. 기본 이름은 "GrandMean"입니다. 그런 다음 "확인" 버튼을 클릭 합니다. 이것은 "GrandMean" 그룹 수준 미세 지도 저장으로 라는 새 데이터 집합을 만듭니다.
- 수동으로 정렬 하는 그들의 고전적인 순서에 따라 4 개의 그룹 수준 미세 지도의 순서 (그림 | 미세 지도 편집). 팝업에 "더", 선택 하 고 다음 표시 된 지도 수 됩니다 4. "남자 정렬"을 선택 합니다. 팝업 대화 상자에서 4 개의 그룹 수준 미세 지도의 새로운 질서를 입력 합니다. 그런 다음 "닫기" 클릭.
- 각 과목의 4 개의 미세 지도의 순서 정렬 (도구 | Microstates | 개별 미세 지도 의미에 따라 정렬).
- 각 과목의 미세 매개 변수 저장 (도구 | Microstates | 계량 데이터 [평균 서식 지도] 집합의 microstates)는 순차적으로 두 개의 팝업 대화 상자를 호출 합니다.
- 첫 번째 대화 상자에서 모든 과목의 데이터 집합을 선택 합니다. 두 번째 대화 상자에서 "4 클래스" 클래스의 "수" 옵션을 선택 "피팅 GFP 봉우리에 만" 옵션을 선택한 "제거는 잠재적으로 microstates 잘린", 30 "레이블 창 (ms)를 부드럽게" 선택한 선택 "비 매끄러운에 대 한 1 페널티 "입니다. "확인"을 클릭 합니다. Csv 파일 미세 매개 변수를 저장 하는 컴퓨터에 저장 됩니다.
5. 오메가 복잡도 분석
- 각 신 기원의 뇌 파 데이터를 저장 하 고 각 주제에 ASCII 또는 txt 형식을 사용 하 여 사용자 지정 스크립트. 5.1 단계에 대 한 사용자 지정 된 스크립트의 예는 보충 물자에 찾아낼 수 있었다.
참고: 글로벌 오메가 복잡성을 계산 하는 경우 모든 두 피 전극의 뇌 파 데이터 ASCII 또는 txt 형태로 내보낼 필요는 합니다. 지역 오메가 복잡성을 계산 하는 경우 그 두 피 지역에서 전극의 EEG 데이터만 내보냅니다. 예를 들어 앞쪽 오메가 복잡도 계산 하기 위하여 앞쪽 지역 (즉, Fp1, Fp2, F7, f 3, Fz, F4 및 f 8);에서 전극의 EEG 데이터만 수출 후부 오메가 복잡도 계산 하기 위하여 후부 지역 (즉, T5, T6, P3, P4, Pz, o 1와 O2)에 전극의 EEG 데이터만 내보냅니다. - 17 sLORETA 소프트웨어 사용 하 여 모든 개별 주파수의 오메가 복잡도 계산 (유틸리티 | 글로벌 연결)입니다. 이 소프트웨어는 http://www.uzh.ch/keyinst/loreta.htm에 있다.
- 26사용자 지정된 스크립트 사용 하 여 각 주파수 대역의 오메가 복잡성을 계산 합니다. 우리의 경우, 계산 각 주파수 제한 내 평균 값으로 다음 8 주파수 대역의 오메가 복잡성을 델타 (0.5-3.5 Hz), 세타 (4-7.5 Hz), alpha1 (8-10 Hz), alpha2 (10.5-13.5 Hz), beta1 (14-18 Hz), beta2 (18.5-30 Hz), gamma1 ( 30.5-48 Hz), 그리고 gamma2 (52-80 Hz)4. 단계 5.3에 대 한 사용자 지정 된 스크립트의 예는 보충 물자에서 찾아낼 수 있었다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
뇌 파 미세
그랜드 의미 정규화 된 미세 지도 그림 1에 표시 됩니다. 여기 확인이 4 개의 미세 클래스의 전기 잠재적인 풍경 이전 연구4에서 발견 된 매우 유사 하다.
평균 및 표준 편차 (SD)는 건강 한 과목의 미세 매개 변수는 표 1에 표시 했다. 미세 클래스 A에 대 한 발생 율은 3.44 ± 1.29 회 / s, 그리고 기간 이었다 미세 클래스 B에 대 한 72 ± 13 양, 발생 율은 3.54 ± 0.85 배 / s, 그리고 기간 미세 클래스 C 71 ± 18 양, 발생 율은 3.85 ± 0.63 번 / s 그리고 기간 미세 클래스 D 69 ± 9 양, 발생 율은 3.41 ± 0.78 배 / s, 그리고 기간 이었다 66 ± 11 ms.
오메가 복잡성
값 (평균 ± SD) 건강 한 과목에 각 주파수 대역의 글로벌 오메가 복잡성의 제시 했다 표2. 델타 밴드에 대 한 글로벌 오메가 복잡성 6.39 ± 1.34 이었다. 세타 밴드에 대 한 글로벌 오메가 복잡성 5.46 ± 0.85를 했다. 알파-1 밴드, 글로벌 오메가 복잡성 3.47 ± 0.8 이었다. 알파-2 밴드, 글로벌 오메가 복잡성 3.87 ± 0.70 이었다. 베타-1 밴드, 글로벌 오메가 복잡성 5.36 ± 0.84 이었다. 베타-2 밴드, 글로벌 오메가 복잡성 6.16 ± 0.83 이었다. 감마-1 밴드, 글로벌 오메가 복잡성 6.95 ± 1.07 이었다. 감마 2 밴드, 글로벌 오메가 복잡성 6.88 ± 1.39 이었다.
값 (평균 ± SD) 건강 한 과목에 각 주파수 대역의 앞쪽 오메가 복잡성의 표시 했다 표2. 델타 밴드, 앞쪽 오메가 복잡성 4.84 ± 1.7 이었다. 세타 밴드, 앞쪽 오메가 복잡성 4.23 ± 1.48 이었다. 알파-1 밴드 앞쪽 오메가 복잡성 3.44 ± 1.09 이었다. 알파-2 밴드, 앞쪽 오메가 복잡성 3.87 ± 0.97 이었다. 베타-1 밴드 앞쪽 오메가 복잡성 3.74 ± 0.81 이었다. 베타-2 밴드, 앞쪽 오메가 복잡성 2.94 ± 0.59 이었다. 감마-1 밴드 앞쪽 오메가 복잡성 1.98 ± 0.24 이었다. 감마 2 밴드, 앞쪽 오메가 복잡성 3.02 ± 0.59 이었다.
값 (평균 ± SD) 건강 한 과목에 각 주파수 대역의 후부 오메가 복잡성의 표시 했다 표2. 델타 밴드, 후부 오메가 복잡성 3.71 ± 1.48 이었다. 세타 밴드, 후부 오메가 복잡성 2.47 ± 0.85 이었다. 알파-1 밴드, 후부 오메가 복잡성 2.11 ± 0.9 이었다. 알파-2 밴드, 후부 오메가 복잡성 3.16 ± 1.42 이었다. 베타-1 밴드, 후부 오메가 복잡성 4.32 ± 1.67 이었다. 베타-2 밴드, 후부 오메가 복잡성 3.84 ± 1.04 이었다. 감마-1 밴드, 후부 오메가 복잡성 2.17 ± 0.37 이었다. 감마 2 밴드, 후부 오메가 복잡성 2.99 ± 0.53 이었다.
그림 1입니다. 평균 건강 한 과목에서 휴식 상태 뇌 파의 4 개의 미세 클래스 (A-D)의 지형도 정규화. 미세 클래스 A와 B가 왼쪽 후 두 방향 오른쪽 전 두 엽과 후 두 방향 각각 오른쪽 왼쪽된 정면. 미세 클래스 C, D 방향으로 후 두 엽에만 대칭 topographies 있고 후 두 방향 frontocentral, 각각 관찰 되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
미세 클래스 | ||||||||
A | B | C | D | |||||
평균 | SD | 평균 | SD | 평균 | SD | 평균 | SD | |
발생/s | 3.44 | 1.29 | 3.54 | 0.85 | 3.85 | 0.63 | 3.41 | 0.78 |
기간 (밀리초) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
표 1입니다. 건강 한 과목의 미세 매개 변수 (n = 15). 평균 및 표준 편차 (SD) 발생 속도와 4 개의 미세 클래스의 기간이이 테이블에 표시 했다.
글로벌 오메가 복잡성 | 앞쪽 오메가 복잡성 | 후부 오메가 복잡성 | ||||
주파수 대역 | 평균 | SD | 평균 | SD | 평균 | SD |
델타 | 6.39 | 1.34 | 4.84 | 1.7 | 3.71 | 1.48 |
세타 | 5.46 | 0.85 | 4.23 | 1.48 | 2.47 | 0.85 |
알파-1 | 3.47 | 0.8 | 3.44 | 1.09 | 2.11 | 0.9 |
알파-2 | 3.87 | 0.7 | 3.87 | 0.97 | 3.16 | 1.42 |
베타-1 | 5.36 | 0.84 | 3.74 | 0.81 | 4.32 | 1.67 |
베타-2 | 6.16 | 0.83 | 2.94 | 0.59 | 3.84 | 1.04 |
감마-1 | 6.95 | 1.07 | 1.98 | 0.24 | 2.17 | 0.37 |
감마-2 | 6.88 | 1.39 | 3.02 | 0.59 | 2.99 | 0.53 |
표 2입니다. 건강 한 과목의 글로벌, 앞쪽 및 후부 오메가 복잡성 (n = 15). 이 테이블에서 평균 및 표준 편차 (SD) (델타, 세타, 알파-1, 알파 2, 베타 1, 베타 2, 감마-1, 감마-2) 8 개의 주파수 대역에 대 한 글로벌, 앞쪽 및 후부 오메가 복잡성의 각각 표시 했다.
추가 파일. 이 원고에 사용 되는 스크립트를 실행 하려면 MATLAB 환경에서 스크립트를 열고 명령 창에 모든 내용을 복사 하시고 "Enter" 키를 누릅니다. 참고 스크립트 우리의 데이터 집합에만 적용. 스크립트는 다른 데이터 집합에 적용 될 때 특정 수정 필요 합니다. 이 파일을 다운로드 하려면 여기를 클릭 하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 문서에서는, 두 종류의 뇌 파 분석 방법 (즉, 미세 분석 및 오메가 복잡도 분석), 시간적 복잡도 인간 두뇌의 공간 복잡도 각각 측정, 자세히 설명 했다. 언급 해야 하는 프로토콜 내에서 몇 가지 중요 한 단계가 있습니다. 첫째, 뇌 파 데이터 미세 및 오메가 복잡성의 계산 하기 전에 청소 되어야 한다. 둘째, 미세 및 오메가 복잡성의 계산 하기 전에 평균 참조에 대 한 뇌 파 데이터를 remontaged 해야 합니다. 셋째, 연속 뇌 파 데이터 미세 및 오메가 복잡성의 계산 전에 신 기원에 세그먼트 해야 합니다. 각 신 기원의 길이 2 여야 합니다. 마지막으로 s., 미세 분석에 사용할 수 있는 소프트웨어는 Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm), 및 MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin)입니다. 미세 분석 한 플러그인이이 연구에서 EEGLAB에 의해 실시 됐다.
여기 미세 분석 휴식 상태 뇌 파 데이터에 적용 된, 비록 그것은 쉽게에 적용할 수 사건 관련 전위 (르 프 스크 웨), 우리 인지에 다양 한 인지 작업의 시간 과정에 대 한 자세한 내용은 밝히기 도움이 될 것입니다. 실험, 그리고 ERP 분석18,19를 수행에 대 한 참조 무료 접근을 제공. 휴식 상태 뇌 파, 지형도의 극성에 대 한 참고는 일반적으로 무시 하 고; 그러나,에 르 프 스크 웨, 지형도의 극성 무시 안 한다. 이 뇌 파 플러그인의 작은 한계는 그것만 뇌 파 상태를 휴식을 위해 사용 될 수 이다. 에 르 프 스크 웨, Cartool 소프트웨어는 최고의 선택 중 하나 있을 수 있습니다. 오메가 복잡성 값 n 1에서 달성 오메가 복잡도 계산 1, 이면 특정 뇌 영역 내에서 최대 글로벌 기능 연결 계시 된다; 반면 경우 오메가 복잡성 같음 N, 최소 글로벌 기능 연결 특정 뇌 영역 내에서 발견 된다. 따라서, 우리는 통계적으로 다른 뇌 영역의 오메가 복잡성을 테스트 하 고 싶다면,이 지역에서 선택 전극의 수 같아야, 때문에 전극의 수 크게 오메가 복잡성 예상 값에 영향을 미칠 합니다.
휴식 뇌 파 연구를 위해 연구원은 많은 뇌 파 기법 (예: 파워 스펙트럼 분석, 기능적 연결 분석)2,3를 개발 했습니다. 이러한 전통적인 기법에 비해, 미세 분석 활용 전체 뇌 파 기술의 우수한 시간적 해상도의. 4 확인 된 미세 클래스 시스템과 4 개의 잘 공부 기능 많은 휴식 상태 fMRI 연구8,20에 상관 될 것을 발견 했다: 청각 (A 미세), 시각 (미세 B), 부분적으로 인식 제어 및 부분적으로 기본 모드 (미세 C), 지 주의 (미세 D). 따라서, 미세 분석 인간 두뇌의 휴식 상태 네트워크 (RSNs) 연구에 새로운 접근 방식을 제공 합니다. 전통적인 뇌 파 기법에 비해 오메가 복잡 특정 두뇌 지역4내 글로벌 기능 연결을 특징 수 있습니다. 전통적인 기능 연결 수만 두 두 피 전극 사이 기능적인 연결을 설명 합니다.
그러나, 두 개의 뇌 파 기법 또한 언급 해야 하는 몇 가지 제한이 있다. 첫째, 기존 미세 분석은 광범위 한 대역 뇌 파 신호에 일반적으로 수행 되, 따라서 그것은 뇌 파 기술의 풍부한 주파수 정보 활용을 고려 하지 않습니다. 또한, 이러한 4 개의 미세 클래스 및 관련된 통계의 기능 의미 되지 않습니다 매우 분명 지금까지. 둘째, 오메가 복잡성만 선형 종속성을 검색할 수 있습니다. 그것은 두 피 지역, 일부 전통적인 기능 연결 통계 (위상 잠금 값, 상호 정보 및 동기화 가능성)21,22에 의해 양이 정해질 수 사이 비선형 종속성을 검색할 수 없습니다. ,23.
미래에, 미세 분석 소스 지역화 기법 (예: sLORETA, 베사, 빔 형성), 뇌 파 신호 공간 해상도 향상 시킬 크게 것입니다 적용 되어야 합니다. 미세 분석 휴식 뇌 파 및 르 프 스크 웨에 널리 이용 되는, 비록 몇 가지 연구 시간-주파수 영역에이 기술을 적용 했습니다. 예를 들어 Jia 외. 24 접근 기반 지형 세분화 분석을 최적으로 제안 하 고 자동으로 자세한 시간-주파수 기능을 식별 합니다. 이 방법은 효과적으로 진동 활동의 공간 정보를 악용할 수 있습니다. 그러나, 이러한 응용 프로그램은 성숙까지. 오메가 복잡성에 대 한 정규화 된 오메가 복잡성 매우 필요 하다, 때문에 오메가 복잡 추정 값 선택 전극의 수에. 미래에, 그것은 시간-주파수 영역에 적용 되어야 한다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
이 문서는 국가 자연 과학 재단의 중국 (31671141)에 의해 지원 되었다.
Materials
Name | Company | Catalog Number | Comments |
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, Suppl D. 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).