Summary
Denne artikel beskriver protokol underliggende electroencefalografi (EEG) mikrostaten analyse og omega kompleksitet analyse, der er to reference-fri EEG foranstaltninger og yderst værdifuldt at udforske de neurale mekanismer i hjernen lidelser.
Abstract
Mikrostaten og omega kompleksitet er to reference-fri electroencefalografi (EEG) foranstaltninger, som kan repræsentere de tidsmæssige og rumlige kompleksiteten af EEG data og har været meget anvendt til at undersøge de neurale mekanismer i nogle hjernen lidelser. Målet med denne artikel er at beskrive protokollen underliggende EEG mikrostaten og omega kompleksitet analyser trin for trin. Den største fordel ved disse to foranstaltninger er, at de kunne fjerne reference-afhængige problem forbundet med traditionelle spectrum analyse. Derudover mikrostaten analyse gør god brug af høje tid opløsning af resting state EEG, og de fire opnåede mikrostat klasser kunne matche de tilsvarende hvilende tilstand net hhv. Omega kompleksitet karakteriserer den rumlige kompleksitet af hele hjernen eller specifikke hjerneregioner, som har indlysende fordel sammenlignet med traditionelle kompleksitet foranstaltninger med fokus på signal kompleksitet i en enkelt kanal. Disse to EEG foranstaltninger kunne supplere hinanden for at undersøge hjerne kompleksitet fra domænet tidsmæssige og rumlige henholdsvis.
Introduction
Electroencefalografi (EEG) har været meget anvendt til at optage elektriske aktivitet i den menneskelige hjerne både klinisk diagnose og videnskabelig forskning, da det er noninvasive, lav-prissat og har meget høj tidsmæssige opløsning1. For at studere EEG-signaler i hviletilstand, har forskere udviklet mange EEG teknikker (fx power spectrum analyse, funktionelle connectivity analyse)2,3. Af disse, kunne mikrostaten analyse og omega kompleksitet analyse gøre god brug af de oplysninger, rumlige og tidsmæssige iboende i EEG-signaler4.
Tidligere undersøgelser har vist, at selv om den topografiske distribution af EEG-signaler varierer over tid i øje-lukket eller eye-åben hviletilstand, serien af momentan kort Vis diskontinuerlig ændringer af landskaber, dvs perioder af stabilitet skiftevis med korte overgangsperioder mellem visse kvasi stabil EEG topografi5. Mikrostater defineres som disse episoder med kvasi stabil EEG topografi, som vare mellem 80 og 120 ms1. Da forskellige elektriske potentielle landskaber skal er blevet genereret af forskellige neurale kilder, disse mikrostater kan betegnes som de grundlæggende blokke af førelsen og kan betragtes som "atomer af tanker og følelser"6. Ved hjælp af moderne mønster klassificeringen algoritmer, har fire hvilende EEG mikrostaten klasser konsekvent observeret, som var mærket som klasse A, klasse B, klasse C og klasse D7. Desuden, forskere viste, at disse fire mikrostaten klasser af hvilende EEG data var tæt forbundet med velkendte funktionelle systemer observeret i mange hvilende tilstand fMRI (funktionel magnetisk resonans imaging) undersøgelser8,9 . Således fastsat mikrostaten analyse en ny tilgang for at studere de hvilende tilstand netværk (RSNs) af menneskelige hjerne. Derudover er den gennemsnitlige varighed og hyppigheden af forekomsten af hver mikrostaten klasse, topografiske form af fire mikrostaten kortene væsentligt påvirket af nogle hjernen lidelser4,10,11, og er forbundet med flydende intelligens12 og personlighed13.
I andet aspekt, kunne traditionelle funktionelle tilslutning af multi-Channel EEG kun beskrive de funktionelle forbindelser mellem to hovedbunden elektroder, således kunnet vurdere de globale funktionelle sammenkobling, i hele hovedbunden eller inden for et bestemt område af hjernen. Omega kompleksitet, foreslået af Wackermann (1996)14 og beregnes gennem en tilgang, der kombinerer principal komponent analyse (PCA) og Shannon entropi, har været brugt til at kvantificere broad-band globale synkronisering mellem rumligt distribuerede hjerneregioner. For at vurdere omega kompleksiteten af hvert frekvensbånd, blev Fouriertransformation almindeligt gennemført som et indledende trin25.
Mikrostater og omega kompleksitet kan bruges til at afspejle to tæt forbundne begreber, dvs., de tidsmæssige kompleksitet og rumlige kompleksitet4. Da mikrostaten klasser repræsenterer visse mentale operationer i menneskets hjerne, kan de afspejler det tidsmæssige struktur af neuronal svingninger. Lavere varighed og højere forekomst sats pr. sekund skal angive højere tidsmæssige kompleksitet. Omega kompleksitet er positivt forbundet med antallet af uafhængige neurale kilder i hjernen, er dermed almindeligvis betragtes som en indikator for rumlig kompleksitet4.
Den nuværende artikel beskriver protokollen af EEG mikrostaten analyse og omega kompleksitet analyse i detaljer. EEG mikrostaten og omega kompleksitet analyser giver mulighed for at måle de tidsmæssige og rumlige kompleksiteten af hjerneaktivitet henholdsvis.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne protokol blev godkendt af de lokale etiske udvalg. Alle deltagere og deres forældre underskrevet en informeret samtykkeerklæring til dette eksperiment.
1. fag
- Kun omfatter 15 raske mandlige unge forsøgspersoner, hvis alder spænder fra 14 til 22 år (mener ± standardafvigelse: 18,3 ± 2,8 år).
Bemærk: Den nuværende protokol til at analysere mikrostaten og omega kompleksitet er blevet udviklet for raske forsøgspersoner, men er ikke begrænset til denne gruppe kun.
2. EEG dataregistrering
- Spørg emner at sidde på en komfortabel stol i en tavs, temperatur-kontrolleret rum, hvor EEG data blev registreret. Indsamle de 20-kanals EEG data ved hjælp af ANT EEG system i denne protokol.
- Sætte hætten på forsøgspersonernes hoved.
- I denne undersøgelse, kan bruge en hue med medium størrelse, da det var passende for de fleste unge eller mandlige fag. For børn, venligst måle hovedomkreds af hvert emne, og finde ud af fælles landbrugspolitik med passende størrelse.
- Placer elektrode Cz på ca 50% af afstanden mellem inion og nasion og 50% af afstanden mellem venstre og højre indbyrdes lydlige indrykningerne. Sted i referenceelektroder på venstre og højre mastoid knoglen, hhv. Placere andre hovedbund elektroderne på standardplaceringerne ifølge internationalt 10-20 system.
Bemærk: En elektrode system og EEG forstærker med 20 kanaler er tilstrækkelig for EEG mikrostaten analyse og omega kompleksitet analyse.
- Udfylde alle elektroder med ledende gel ved at indsætte en stump kanyle gennem elektroderne. Bruge den ledende gel til lavere impedans. Holde alle elektrode impedances lavere end 10 kiloohms (kΩ).
- I denne periode, give nogle underholdning for emnerne (f.eks. vise en kort film). Hvis en tør elektrode eller en saltvand elektrode bruges, springe trin af indsprøjtning ledende gel.
- Instruere fag til at slappe af med øjnene lukket under optagelsen, der varer 5 min. Brug digitalisering software til at digitalisere og registrere EEG signal. Bruge en samplingfrekvens på mindst 250 prøver/s. Brug en online filter bredere end 0,1 og 80 Hz.
Bemærk: Selv om de fleste kommercielle tilgængelige elektrode-forstærker systemer bruger en aktive elektrode system, som kunne forbedre signalet støjforhold af EEG-signalet, Placer ikke dette system tæt på alle elektriske enheder under EEG optagelse.
3. EEG Data forbehandling
Bemærk: EEG data kunne være preprocessed ved hjælp af forskellige open source eller kommerciel software. Vejledningen nedenfor er specifikke for EEGLAB. Dette er kun en ud af mange valgmuligheder at forbehandle EEG data.
- Importere EEG rådata til EEG software (f.eks. EEGLAB) (fil | Importere data | Ved hjælp af EEGLAB funktioner og plugins).
Bemærk: Rådata EEG indspillet fra forskellige elektrode-forstærker systemer kunne genkendes af EEGLAB, såsom EGI, ANT, hjernen Vision optager og Neuroscan. - Indlæse filen kanal placering i EEG-software (Rediger | Kanal steder). Selv om EEG data og kanal navne er blevet importeret til EEGLAB, skal du importere en kanal placering fil til EEG software for at opnå de geografiske placeringer af disse elektroder.
- Fjerne referenceelektroder (Rediger | Vælg data | Vælg data i kanal rækkevidde). I indstillingen "Vælg data i kanal" af den affyre-oppe dialogboks, Vælg kun optagelse elektroderne og ikke vælger referenceelektroder således at referenceelektroder kan fjernes. Data registreret i referenceelektroder er ikke 'true' hjerne signal, da disse to elektroder er placeret på venstre og højre mastoid knoglen henholdsvis.
- Band pass filter EEG data mellem 0,5 og 80 Hz (værktøjer | Filtrere data | Grundlæggende FIR filter [nye, standard]). I den affyre-oppe dialogboks, Vælg 5 for "underkanten af pass frekvensbånd (Hz)", og vælg 80 for den "højere kant af pass frekvensbånd (Hz)". Klik derefter på knappen "Ok".
- Fjern magt linjestøj med notch filter mellem 49 og 51 Hz (værktøjer | Filtrere data | Grundlæggende FIR filter [nye, standard]). I den affyre-oppe dialogboks, Vælg 49 for "underkanten af pass frekvensbånd (Hz)", og vælg 51 for den "højere kant af pass frekvensbånd (Hz)" og vælg indstillingen af "Hak filtrere data i stedet for pass band". Klik derefter på knappen "Ok".
- Korrigere data dele forurenet af øjenbevægelser, Elektromyografi (EMG) eller andre ikke-fysiologisk artefakter ved hjælp af blinde kilde adskillelse (BSS) algoritme15. Klik på værktøjer for øjenbevægelser, | Artefakt fjernelse af at bruge AAR 1.3 | EOG fjernelse | Ved hjælp af BSS; EMG, værktøjer | Artefakt fjernelse af at bruge AAR 1.3 | EMG fjernelse af at bruge BSS.
- Opdele pre forarbejdede kontinuerlig EEG dataene i epoker, med epoke 2 s. For at gøre dette, skriver 'EEG = eeg_regepochs (EEG, 'gentagelse', 2 'begrænser', [0 2], 'rmbase', NaN); pop_saveset(EEG)', så tryk på tasten Enter på tastaturet. Et vindue vil poppe op der giver mulighed for lagring af segmenterede EEG data.
- Den segmenterede EEG importdata EEG-softwaren (fil | Indlæse eksisterende datasæt).
- Afvise EEG epoker med amplitude værdier overstiger ± 80 µV på enhver elektrode (værktøjer | Afvise data epoker | Afvise data [alle metoder]).
- Gemme forhåndsbehandlede EEG data (fil | Gem aktuelle datasæt som).
4. EEG mikrostaten analyse
Bemærk: En modificeret version af den klassiske K-betyder klyngedannelse algoritme bruges til mikrostaten klasse analyse16, som indeholder en bottom-up procedure og en up-bunden procedure. I proceduren bottom up er gruppeniveau mikrostaten klasser identificeret ved hjælp af den rumlige korrelationen som klyngedannelse kriterium. Derefter i proceduren op-bunden er hver topografiske kort over hvert emne i hver gruppe tildelt til EEG mikrostaten klasse med maksimale rumlige korrelationen. Resting state EEG mikrostaten analyse, er polaritet af topografiske kort almindeligt bort. EEG mikrostaten klasse analyse kan gøres ved hjælp af forskellige open source software, såsom CARTOOL, sLORETA, EMMA og MapWin. Vejledningen nedenfor er specifikke for EEGLAB plugin for mikrostater. Dette EEGLAB plugin kan downloades fra https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.
- For hvert emne, indlæse data om forhåndsbehandlede EEG (fil | Belastning eksisterende datasæt), konvertere reference kanaler til fælles gennemsnitlige reference (værktøjer | Re reference), og band pass filter EEG data mellem 2 og 20 Hz (værktøjer | Filtrere data | Grundlæggende FIR filter [nye, standard]).
- Identificere de fire mikrostat kort i hver genstand (værktøjer | Mikrostater | identificere mikrostaten kort). I den affyre-oppe dialogboks, Vælg 3 for "Min antallet af klasser", vælge 6 for "Max antal klasser", vælge 50 for "antallet genstarter", Vælg "Max antal kort til at bruge" og vælg indstillinger "Normal god landbrugspraksis peak kun" og "Ingen polaritet". Klik derefter på knappen "Ok".
- Gemme EEG data for hvert emne, efter at identificere sit eget mikrostaten kort (fil | Gem aktuelle datasæt som).
- Importere EEG datasæt for alle de emner, der er gemt i det sidste trin på én gang (fil | Indlæse eksisterende datasæt).
- Identificere gruppeniveau mikrostaten maps (værktøjer | Mikrostater | Gennemsnitlige mikrostaten kort på tværs af datasæt). I den affyre-oppe dialogboks, Vælg datasæt i alle fag i indstillingen "Vælg angiver for gennemsnit". I indstillingen "Navn betyder", give et navn for gruppeniveau mikrostaten kort. Standardnavnet er "GrandMean". Klik derefter på knappen "Ok". Dette vil skabe et nyt datasæt navngivet som "GrandMean", som lagrer gruppeniveau mikrostaten kort.
- Manuelt sorteringsrækkefølge af fire gruppeniveau mikrostaten kort efter deres klassiske orden (Plot | Rediger mikrostaten maps). I pop-up, Vælg "Mere", og derefter antallet af kort vist bliver fire. Vælg "Man. sorter". I den affyre-oppe dialogboks, indtaste den nye orden af fire gruppeniveau mikrostaten kort. Klik derefter på "Luk".
- Sortere rækkefølgen af de fire mikrostat kort for hvert emne (værktøjer | Mikrostater | Sortere individuelle mikrostaten kort efter middelværdi).
- Gemme mikrostaten parametre for hvert emne (værktøjer | Mikrostater | Kvantificere mikrostater i dataset [gennemsnitlige skabelon kort]), som vil påberåbe sig to pop-up-dialogbokse sekventielt.
- I den første dialogboks, Vælg datasæt i alle fag. I den anden dialogboks, Vælg "4 klasser" for indstillingen "Antallet af klasser", vælge "Montering kun på normal god landbrugspraksis peaks" og "Fjern potentielt afkortet mikrostater", Vælg 30 for "Etiketten gulvafslibning vindue (ms)" og vælg 1 for "Non glathed straf". Klik "Ok". En CSV-fil, der gemmer parametrene mikrostaten vil blive gemt på computeren.
5. omega kompleksitet analyse
- Gemme EEG data af hver epoke og hvert emne i ASCII- eller txt format ved hjælp af tilpasset script. Et eksempel på den tilpasset script til trin 5.1 kunne findes i de supplerende materialer.
Bemærk: Hvis den globale omega kompleksitet er beregnet, EEG data fra alle hovedbunden elektroderne er nødvendige for at eksportere i ASCII- eller txt format. Hvis den regionale omega kompleksitet er beregnet, eksportere kun EEG data af elektroder i hovedbunden regionen. For eksempel for at beregne forreste omega kompleksitet, eksportere kun EEG data af elektroder i forreste region (dvs., Fp1 Fp2, F7, F3, Fz, F4 og F8); for at beregne posterior omega kompleksitet, eksportere kun EEG data af elektroder i posterior region (dvs., T5, T6, P3, P4, Pz, O1 og O2). - Beregne omega kompleksiteten af alle diskrete frekvenser ved hjælp af sLORETA software17 (Utilities | Global connectivity). Denne software er tilgængelig på http://www.uzh.ch/keyinst/loreta.htm.
- Beregne omega kompleksiteten af hver frekvens band bruger tilpasset script26. I vores tilfælde, beregne omega kompleksiteten i de følgende otte frekvensbånd som middelværdien for hver frekvensgrænse, som er delta (0,5-3,5 Hz), theta (4-7,5 Hz), alfa1 (8-10 Hz), alpha2 (10.5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), () gamma1 30,5-48 Hz), og gamma2 (52-80 Hz)4. Et eksempel på den tilpasset script til trin 5.3 kunne findes i de supplerende materialer.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
EEG mikrostaten
Grand betyde normaliseret mikrostaten kort vises i figur 1. De elektriske potentielle landskaber af disse fire mikrostaten klasser identificeret her er meget lig dem, der findes i tidligere undersøgelser4.
Middelværdi og standardafvigelse (SD) af mikrostaten parametre af de raske forsøgspersoner blev vist i tabel 1. Til mikrostaten klasse A, forekomsten sats var 3.44 ± 1,29 gange / s og varighed var 72 ± 13 ms. til mikrostaten klasse B, forekomsten sats var 3,54 ± 0.85 gange / s og varighed var 71 ± 18 ms. til mikrostaten klasse C, forekomsten sats var 3,85 ± 0.63 gange / s , og varigheden var 69 ± 9 ms. til mikrostaten klasse D, forekomsten sats var 3,41 ± 0,78 gange / s og varighed var 66 ± 11 ms.
Omega kompleksitet
Værdien (mener ± SD) af globale omega kompleksitet af hvert frekvensbånd i de raske forsøgspersoner blev præsenteret i tabel 2. For delta band var den globale omega kompleksitet 6.39 ± 1.34. For theta band var den globale omega kompleksitet 5,46 ± 0,85. For alfa-1 band var den globale omega kompleksitet 3,47 ± 0,8. For alpha-2 band var den globale omega kompleksitet 3.87 ± 0,70. For beta-1 band var den globale omega kompleksitet 5,36 ± 0,84. Beta-2 band var den globale omega kompleksitet 6.16 ± 0,83. For gamma-1 band var den globale omega kompleksitet 6.95 ± 1,07. For gamma-2 band var den globale omega kompleksitet 6.88 ± 1,39.
Værdien (mener ± SD) af anterior omega kompleksitet af hvert frekvensbånd i de raske forsøgspersoner blev vist i tabel 2. For delta band var den forreste omega kompleksitet 4,84 ± 1.7. For theta band var den forreste omega kompleksitet 4.23 ± 1,48. For alfa-1 band var den forreste omega kompleksitet 3.44 ± 1.09. For alpha-2 band var den forreste omega kompleksitet 3.87 ± 0,97. For beta-1 band var den forreste omega kompleksitet 3.74 ± 0,81. Beta-2 band var den forreste omega kompleksitet 2,94 ± 0,59. For gamma-1 band var den forreste omega kompleksitet 1,98 ± 0,24. For gamma-2 band var den forreste omega kompleksitet 3.02 ± 0,59.
Værdien (mener ± SD) af posterior omega kompleksitet af hvert frekvensbånd i de raske forsøgspersoner blev vist i tabel 2. For delta band var posterior omega kompleksitet 3.71 ± 1,48. For theta band var posterior omega kompleksitet 2,47 ± 0,85. For alfa-1 band var posterior omega kompleksitet 2.11 ± 0,9. For alpha-2 band var posterior omega kompleksitet 3,16 ± 1.42. For beta-1 band var posterior omega kompleksitet 4.32 ± 1,67. For beta-2 band var posterior omega kompleksitet 3,84 ± 1,04. For gamma-1 band var posterior omega kompleksitet 2.17 ± 0,37. For gamma-2 band var posterior omega kompleksitet 2.99 ± 0,53.
Figur 1. Middelværdi normaliseret topografiske kort over de fire mikrostat klasser (A-D) i hvile-tilstand EEG i de raske forsøgspersoner. Mikrostaten klasse A og B har en højre frontal til venstre occipital orientering og en venstre frontal til højre occipital orientering, henholdsvis. Mikrostaten klasse C og D har symmetriske topografi, men præfrontale til occipital orientering og frontocentral til occipital orientering blev observeret, henholdsvis. Venligst klik her for at se en større version af dette tal.
| Mikrostaten klasser | ||||||||
| A | B | C | D | |||||
| Middelværdi | SD | Middelværdi | SD | Middelværdi | SD | Middelværdi | SD | |
| Forekomst/s | 3.44 | 1.29 | 3,54 | 0,85 | 3,85 | 0,63 | 3.41 | 0,78 |
| Varighed (ms) | 72 | 13 | 71 | 18 | 69 | 9 | 66 | 11 |
Tabel 1. Mikrostaten parametre af de raske forsøgspersoner (n = 15). Middelværdi og standardafvigelse (SD) af forekomsten sats og varigheden af de fire mikrostat klasser blev vist i denne tabel.
| Globale Omega kompleksitet | Forreste Omega kompleksitet | Posterior Omega kompleksitet | ||||
| Frekvensbåndet | Middelværdi | SD | Middelværdi | SD | Middelværdi | SD |
| Delta | 6.39 | 1.34 | 4,84 | 1.7 | 3,71 | 1,48 |
| Theta | 5,46 | 0,85 | 4.23 | 1,48 | 2,47 | 0,85 |
| Alfa-1 | 3.47 | 0,8 | 3.44 | 1.09 | 2.11 | 0,9 |
| Alpha-2 | 3,87 | 0,7 | 3,87 | 0,97 | 3.16 | 1.42 |
| Beta-1 | 5.36 | 0,84 | 3.74 | 0,81 | 4.32 | 1,67 |
| Beta-2 | 6.16 | 0,83 | 2.94 | 0,59 | 3,84 | 1,04 |
| Gamma-1 | 6.95 | 1.07 | 1,98 | 0,24 | 2.17 | 0,37 |
| Gamma-2 | 6.88 | 1,39 | 3.02 | 0,59 | 2,99 | 0,53 |
Tabel 2. Globale, anterior og posterior omega kompleksiteten af de raske forsøgspersoner (n = 15). Middelværdi og standardafvigelse (SD) af den globale, anterior og posterior omega kompleksitet for de otte frekvensbånd (delta, theta, alfa-1, alpha-2, beta-1, beta-2, gamma-1, gamma-2) var vist henholdsvis i denne tabel.
Supplerende filer. For at køre de scripts, der anvendes i dette manuskript, venligst åbne scripts i MATLAB miljø, og derefter kopiere alt indholdet i den befale rude og tryk på "Enter"-tasten. Bemærk, at scripts kun gælder for vores datasæt. Visse ændringer er nødvendige, når scriptene, der anvendes på andre datasæt. Venligst klik her for at downloade denne fil.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denne artikel, to slags EEG analytiske metoder (dvs. mikrostaten analyse og omega kompleksitet analyse), måling af tidsmæssige kompleksitet og rumlige kompleksitet af menneskelige hjerne henholdsvis, blev beskrevet i detaljer. Der er flere kritiske trin i den protokol, som bør nævnes. For det første, EEG data skal rengøres inden beregning af mikrostaten og omega kompleksitet. For det andet bør EEG data være remontaged mod den gennemsnitlige reference før beregning af mikrostaten og omega kompleksitet. For det tredje skal den løbende EEG data opdeles i epoker før beregning af mikrostaten og omega kompleksitet. Længden af hver epoke bør være 2 s. Endelig, den software, der kan bruges i mikrostaten analyse omfatter Cartool (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) og MapWin (http:// www.thomaskoenig.ch/index.php/software/mapwin). Mikrostaten analyse blev foretaget ved hjælp af en plugin i EEGLAB i denne undersøgelse.
Selvom mikrostaten analyse udført her blev anvendt til hvilende tilstand EEG data, kunne det let anvendes til event-relaterede potentialer (ERPs), som vil hjælpe os med at afdække flere oplysninger om tidsforløbet af forskellige kognitive operationer i kognitiv eksperimenter, og give en reference-fri tilgang til at udføre ERP analyse18,19. Bemærk, for hvilende tilstand EEG, polaritet af topografiske kort er almindeligt bort; for ERPs, finder polaritet af topografiske kort bør ikke tilsidesættes. En lille begrænsning af denne EEG plugin er, at det kun kunne bruges til at hvile tilstand EEG. For ERPs, kan softwaren Cartool være en af de bedste valg. Omega kompleksitet værdi opnår fra 1 til N. Hvis omega kompleksitet beregnet er 1, en maksimale globalt funktionelle forbindelse inden for et bestemt område af hjernen er afsløret; hvorimod hvis omega kompleksitet ligemænd N, en mindste globale funktionelle forbindelse inden for et bestemt område af hjernen er fundet. Således, hvis vi ønsker at statistisk test af forskellige hjerneregioner omega kompleksitet, antallet af elektroder valgt i disse regioner skal være lige, da antallet af elektroder kunne betydeligt påvirke værdien af omega kompleksitet anslået.
For at studere den hvilende EEG, har forskere udviklet mange EEG teknikker (fx power spectrum analyse, funktionelle connectivity analyse)2,3. I forhold til disse traditionelle teknikker, tager mikrostaten analyse fuld fordel af den fremragende tidsmæssige opløsning af EEG teknik. De fire identificerede mikrostat klasser fandtes at være korreleret med fire velundersøgte funktionelle systemer observeret i mange hvilende tilstand fMRI undersøgelser8,20: auditive (mikrostaten A), visual (mikrostaten B), delvist kognitive kontrol og delvist standardtilstand (mikrostaten C), og dorsale opmærksomhed (mikrostaten D). Således fastsat mikrostaten analyse en ny tilgang for at studere de hvilende tilstand netværk (RSNs) af menneskelige hjerne. Sammenlignet med traditionelle EEG teknikker, kunne omega kompleksitet karakteriserer den globale funktionelle forbindelse inden for en bestemt hjerne region4. Traditionelle funktionelle forbindelse kunne kun beskrive den funktionelle forbindelse mellem to hovedbunden elektroder.
Men de to EEG-teknikker har også flere begrænsninger, som bør nævnes. For det første den eksisterende mikrostaten analyse er almindeligvis udføres på broad-band EEG signaler, således det tager ikke fordel af de rige frekvens oplysninger af EEG teknik. Desuden, den funktionelle betydning af disse fire mikrostaten klasser og relaterede målinger er ikke meget klare hidtil. For det andet, omega kompleksitet kan kun registrere lineær dependences. Det kan ikke afsløre de ulineære dependences mellem hovedbunden regioner, som kunne kvantificeres ved nogle traditionelle funktionelle tilslutningsmuligheder målinger (fx fase-låsning værdi, gensidig information og synkronisering sandsynlighed)21,22 ,23.
I fremtiden bør mikrostaten analyse anvendes med kilde lokalisering teknikker (f.eks. sLORETA, BESA, ensrettere), som væsentligt vil styrke den rumlige opløsning af EEG-signaler. Selvom mikrostaten analyse har været meget anvendt i hvile EEG og ERPs, har kun et par studier anvendt denne teknik til den tid-frekvens domæne. For eksempel, Jia et al. 24 foreslås en tilgang baseret på topografisk Segmenteringsanalyse til optimalt og identificere automatisk detaljerede tidsfrekvens funktioner. Denne tilgang kan effektivt udnytte den geografisk information af oscillerende aktiviteter. Disse programmer er dog langt fra modne. Omega kompleksitet, er en normaliseret omega kompleksitet meget nødvendigt, da værdien af omega kompleksitet anslået er afhængig af antallet af elektroder valgt. Det bør i fremtiden anvendes på tid-frekvens domæne.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ikke noget at oplyse.
Acknowledgments
Denne artikel blev støttet af National Natural Science Foundation of China (31671141).
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).
