Waiting
로그인 처리 중...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

Micro-État et Analyses complexité Omega de l’état de repos l’électroencéphalographie

Published: June 15, 2018 doi: 10.3791/56452
Automatic Translation
1, 2, 1
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

Summary

Cet article décrit le protocole sous-jacent électroencéphalographie (EEG) micro-État analyse et analyse de complexité oméga, qui sont deux mesures d’EEG référence-gratuit et très utile pour explorer les mécanismes neuronaux des troubles cérébraux.

Abstract

Complexité de micro-États et omega sont deux mesures de référence-free électroencéphalographie (EEG) qui peuvent représenter la complexité temporelle et spatiale des données EEG et ont été largement utilisées pour étudier les mécanismes neuronaux dans certains troubles du cerveau. L’objectif de cet article est de décrire le protocole sous-jacent EEG micro-États et omega complexité analyse étape par étape. Le principal avantage de ces deux mesures, c’est qu’ils pourraient éliminer le problème de référence dépendante inhérent à l’analyse de spectre traditionnel. En outre, l’analyse de micro-États fait bon usage du grand temps de résolution de l’EEG de l’état de repos, et les quatre classes de micro-États obtenus pourraient correspondre à des réseaux de l’état de repos correspondants respectivement. La complexité de l’oméga caractérise la complexité spatiale du cerveau entier ou de certaines régions du cerveau, qui a l’avantage évident par rapport aux mesures de complexité traditionnelle mettant l’accent sur la complexité du signal dans un seul canal. Ces deux mesures d’EEG pourraient se compléter mutuellement pour enquêter sur la complexité du cerveau du domaine temporel et spatial respectivement.

Introduction

Électroencéphalographie (EEG) a été largement utilisé pour enregistrer l’activité électrique du cerveau humain tant dans le diagnostic clinique et la recherche scientifique, car il est non invasif, chiffré à faible et a très haute résolution temporelle1. Afin d’étudier les signaux EEG en état de repos, les chercheurs ont développé plusieurs EEG techniques (p. ex., analyse du spectre de puissance, analyse de la connectivité fonctionnelle)2,3. Parmi eux, analyse des micro-États et oméga complexité pourraient faire bon usage de l’information spatiale et temporelle inhérente à l’EEG signaux4.

Des recherches antérieures ont montré que bien que la distribution topographique des signaux EEG varie au fil du temps dans les yeux fermés ou œil ouvert état de repos, la série de cartes momentanées montre des changements discontinus de paysages, c'est-à-dire des périodes de stabilité en alternance avec des périodes de transition courte entre certains quasi stable EEG topographies5. Micro-États sont définis comme ces épisodes avec quasi stables topographies EEG, qui durent entre 80 et 120 ms1. Étant donné que les différents paysages de potentiels électriques doivent avoir été générées par différentes sources neuronales, ces micro-États peuvent être considérés comme les blocs de base de le œuvre et peuvent être considérés comme « les atomes de la pensée et l’émotion »6. À l’aide d’algorithmes de classification des formes modernes, quatre classes de micro-États EEG de repos ont été systématiquement observées, qui ont été étiquetés comme classe A, classe B, classe C et classe D7. En outre, les chercheurs ont révélé que ces quatre classes de micro-état de données EEG de repos étaient étroitement associés liés des systèmes fonctionnels connus observées dans nombreux État repos l’IRMf (imagerie de résonance magnétique fonctionnelle) études8,9 . Ainsi, l’analyse de micro-États a donné une nouvelle approche pour étudier les réseaux au repos de l’État (RCMDN) du cerveau humain. En outre, la durée moyenne et la fréquence d’apparition de chaque classe de micro-États, la forme topographique des quatre cartes micro-États sont significativement influencées par certains cerveau troubles4,10,11, et sont associés à l’intelligence fluide12 et personnalité13.

Dans l’autre aspect, connectivité fonctionnelle traditionnelle de multicanaux EEG pouvait seulement décrire les connexions fonctionnelles entre deux électrodes de cuir chevelu, donc impossible d’évaluer la connectivité fonctionnelle globale dans l’ensemble du cuir chevelu ou dans une certaine région du cerveau. La complexité de l’oméga, proposé par Wackermann (1996)14 et calculé grâce à une approche combinant l’analyse en composantes principales (ACP) et l’entropie de Shannon, a été utilisée pour quantifier la synchronisation globale de large bande entre dans l’espace distribué des régions du cerveau. Afin d’évaluer la complexité de l’oméga de chaque bande de fréquences, transformation de Fourier a été pratiquée dans un premier temps25.

Les micro-États et la complexité de l’oméga peuvent servir à tenir compte de deux notions étroitement liées, c'est-à-dire, la complexité temporelle et complexité spatiale4. Étant donné que les classes de micro-États représentent certaines opérations mentales dans le cerveau humain, ils peuvent refléter la structure temporelle des oscillations neuronales. Durée inférieure et les taux d’accident plus élevé par seconde doivent indiquer la plus grande complexité temporelle. La complexité de l’oméga est positivement reliée au nombre de sources indépendantes de neurones dans le cerveau, donc sont communément considérées comme un indicateur de complexité spatiale4.

L’article décrit le protocole de EEG micro-État analyse et complexité oméga en détail. Les analyses de complexité EEG micro-États et omega offrent la possibilité de mesurer la complexité temporelle et spatiale de l’activité cérébrale respectivement.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ce protocole a été approuvé par le Comité d’éthique local. Tous les participants et leurs parents ont signé un formulaire de consentement éclairé pour cette expérience.

1. sujets

  1. Inclure seulement 15 sujets sains mâles adolescents, dont l’âge varie de 14 à 22 ans (moyenne ± écart : 18,3 ± 2,8 ans).
    Remarque : Le protocole actuel pour analyser la complexité des micro-États et omega a été développé pour des sujets sains, mais ne se limite pas à ce groupe uniquement.

2. enregistrement des données EEG

  1. Demander des sujets à s’asseoir sur une chaise confortable dans une pièce silencieuse, température contrôlée, où les données de l’EEG a été enregistrées. Collecter les données d’EEG de 20 canaux en utilisant le système d’EEG de fourmi dans le présent protocole.
  2. Remettre le capuchon sur la tête de sujets.
    1. Dans cette étude, utilisez un bouchon avec une taille moyenne, car il ne permettait pas de sujets plus adolescents ou un mâles. Pour les enfants, s’il vous plaît mesurer la circonférence de la tête de chaque sujet et déterminer le bouchon avec la taille appropriée.
    2. Placer l’électrode Cz à environ 50 % de la distance entre inion et nasion et 50 % de la distance entre les indentations gauche et droite entre phonétique. Placer les électrodes de référence sur l’OS mastoïde droite et gauche, respectivement. Placer les autres électrodes de cuir chevelu dans les emplacements standards selon l’international 10-20 système.
      NOTE : Un système d’électrodes et EEG amplificateur avec 20 chaînes ne suffit pas d’EEG micro-État analyse et analyse de complexité oméga.
  3. Remplissez toutes les électrodes avec gel conducteur en insérant une aiguille émoussée par les électrodes. Utilisez le gel conducteur d’abaisser l’impédance. Garder toutes les impédances d’électrode inférieure à 10 kiloohms (kΩ).
    1. Durant cette période, fournir un divertissement pour les sujets (par exemple, montrer un court-métrage). Si une électrode sèche ou une électrode saline est utilisée, sauter l’étape de l’injection de gel conducteur.
  4. Instruire les sujets pour se détendre les yeux fermés pendant l’enregistrement, qui dure 5 min. utilisation du logiciel de numérisation pour numériser et enregistrer l’EEG du signal. Utiliser une fréquence d’échantillonnage d’au moins 250 échantillons/s. Utilisez un filtre en ligne plus large que 0,1 et 80 Hz.
    Remarque : Bien que les systèmes disponibles électrode-amplificateur plus commerciaux utilisent un système d’électrodes actives, susceptibles d’améliorer le rapport signal sur bruit du signal EEG, ne pas placer ce système à proximité de tout appareil électrique pendant l’enregistrement de l’EEG.

3. EEG données prétraitement

NOTE : Données EEG pouvaient être prétraitées à l’aide de divers open source ou les logiciels commerciaux. Conformément aux instructions ci-dessous sont spécifiques pour EEGLAB. C’est seulement une des nombreuses options disponibles pour prétraiter les données EEG.

  1. Importer les données brutes d’EEG vers le logiciel de l’EEG (p. ex., EEGLAB) (fichier | Importer des données | Utilisation des fonctions de EEGLAB et plugins).
    NOTE : Les données brutes d’EEG enregistrées de divers systèmes d’électrode-amplificateur pourraient être reconnues par EEGLAB, tels que les EGI, ANT, l’enregistreur de cerveau Vision et Neuroscan.
  2. Charger le fichier de localisation du canal dans le logiciel de l’EEG (Edit | Emplacements de canal). Bien que les données de l’EEG et les noms de canal ont été importés à EEGLAB, importer un fichier d’adresse de canal dans le logiciel de l’EEG afin d’obtenir les localisations spatiales de ces électrodes.
  3. Retirer les électrodes de référence (Edit | Sélectionnez données | Sélectionner des données dans la plage de canaux). Dans l’option de « Select data dans plage de canaux » de la boîte de dialogue pop-up, sélectionnez uniquement les électrodes d’enregistrement et ne sélectionnez pas les électrodes de référence afin que les électrodes de référence peuvent être enlevés. Les données enregistrées dans les électrodes de référence ne sont pas « vrai » cerveau signal, puisque ces deux électrodes sont placées sur l’OS mastoïde droite et gauche, respectivement.
  4. Bande de données filtre l’EEG passe de 0,5 à 80 Hz (outils | Filtrer les données | Filtre à base de sapin [nouvelle, valeur par défaut]). Dans la boîte de dialogue pop-up, choisissez 5 pour « le bord inférieur de la bande passante de fréquence (Hz) » et choisissez 80 pour le « bord supérieur de la bande passante de fréquence (Hz) ». Puis cliquez sur le bouton « OK ».
  5. Supprimer le bruit de ligne électrique avec un filtre entre 49 et 51 Hz (outils | Filtrer les données | Filtre à base de sapin [nouvelle, valeur par défaut]). Dans la boîte de dialogue pop-up, choisissez 49 pour « le bord inférieur de la bande passante de fréquence (Hz) » et choisissez 51 pour le « bord supérieur de la bande passante de fréquence (Hz) » et sélectionnez l’option de « Notch filtrer les données au lieu de la bande passante ». Puis cliquez sur le bouton « OK ».
  6. Corriger les portions de données contaminées par des mouvements oculaires, électromyographie (EMG) ou tous les autres artefacts non physiologique à l’aide de l' algorithme de séparation de Source aveugle (BSS)15. Pour les mouvements oculaires, cliquez sur outils | Suppression d’artefact à l’aide de AAR 1.3 | Suppression de l’EOG | À l’aide de BSS ; pour l’EMG, outils | Suppression d’artefact à l’aide de AAR 1.3 | Enlèvement de EMG à l’aide de BSS.
  7. Segmenter les données prétraitées de EEG continues en époques, avec longueur d’époque de 2 s. Pour ce faire, écrire 'EEG = eeg_regepochs (EEG, 'rechute', 2, 'limite', [0 2], 'rmbase', NaN) ; pop_saveset(EEG)', puis appuyez sur la touche entrée du clavier. Une fenêtre pop up qui permet l’enregistrement des données EEG segmentées.
  8. Importer les données EEG segmentées vers le logiciel de EEG (fichier | Charger de dataset existant).
  9. Rejeter les époques de l’EEG avec des valeurs d’amplitude supérieure à ± 80 µV à une électrode (outils | Rejeter les époques données | Rejeter les données [toutes les méthodes]).
  10. Enregistrer les données EEG prétraitées (fichier | Enregistrez dans le dataset en cours).

4. EEG micro-État analyse

NOTE : Une version modifiée de l’algorithme de clustering K-means classique est utilisée pour micro-État classe analyse16, qui contient une procédure de bas en haut et une procédure de haut en bas. Dans la procédure de bas en haut, les classes de groupe et niveau micro-États sont identifiés à l’aide de la corrélation spatiale comme un critère de regroupement. Puis, dans la procédure de haut en bas, chaque carte topographique de chaque sujet dans chaque groupe est assigné à la classe de micro-États EEG avec corrélation spatiale maximale. Pour l’analyse de l’état de repos EEG micro-États, la polarité des cartes topographiques est souvent négligée. Analyse de classe de micro-États EEG pourrait se faire à l’aide de divers logiciels open source, tels que les systèmes, sLORETA, EMMA et MapWin. Conformément aux instructions ci-dessous sont spécifiques pour le plugin EEGLAB de micro-États. Ce plugin EEGLAB peut être téléchargé à partir https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.

  1. Pour chaque sujet, charger les données EEG prétraitées (fichier | Canaux de référence charge existant dataset), convert de référence moyen commun (outils | Re-faire référence) et passe-bande filtrer les données EEG entre 2 et 20 Hz (outils | Filtrer les données | Filtre à base de sapin [nouvelle, valeur par défaut]).
  2. Identifier les quatre cartes de micro-États dans chaque matière (outils | Micro-États | identifier les micro-États cartes). Dans la boîte de dialogue pop-up, choisissez 3 pour le « Min-nombre de classes », choisir 6 pour le « nombre Max de classes », choisissez 50 pour le « nombre de redémarrages », choisissez « Nombre maximum de cartes à utiliser » et sélectionnez les options de « Pic GFP uniquement » et « Pas de polarité ». Puis cliquez sur le bouton « OK ».
  3. Enregistrer les données EEG de chaque sujet après identification de ses propres micro-État cartes (fichier | Enregistrez dans le dataset en cours).
  4. Importer les ensembles de données EEG de tous les sujets enregistrés dans la dernière étape à la fois (fichier | Charger de dataset existant).
  5. Identifier les cartes de groupe et niveau micro-États (outils | Micro-États | Micro-état moyenne correspond à travers des ensembles de données). Dans la boîte de dialogue pop-up, sélectionnez les séries de données de tous les sujets dans l’option « Choisissez définit pour établir la moyenne ». Dans l’option « Nom de moyenne », donnez un nom pour les cartes de groupe et niveau micro-États. Le nom par défaut est « GrandMean ». Puis cliquez sur le bouton « OK ». Cela va créer un nouvel ensemble de données nommé « GrandMean », qui stocke les cartes micro-état de groupe et niveau.
  6. Trier manuellement l’ordre de quatre cartes de groupe et niveau micro-États selon leur ordre classique (Plot | Éditer des cartes de micro-États). Dans la fenêtre contextuelle, sélectionnez « Autres », et deviendrait alors le nombre de cartes indiqué quatre. Sélectionnez « Sort de l’homme ». Dans la boîte de dialogue pop-up, entrez le nouvel ordre des quatre cartes de groupe et niveau micro-États. Puis cliquez sur « Fermer ».
  7. Trier l’ordre des quatre cartes micro-état de chaque sujet (outils | Micro-États | Trier les cartes de micro-États individuels selon la moyenne).
  8. Enregistrer les paramètres de chaque sujet de micro-États (outils | Micro-États | Quantifier micro-États dans dataset [cartes modèle moyenne]), qui appellera deux boîtes de dialogue pop-up dans l’ordre.
    1. Dans la première boîte de dialogue, sélectionnez les jeux de données de tous les sujets. Dans la deuxième boîte de dialogue, sélectionnez « 4 catégories » pour l’option « Nombre de Classes », sélectionnez les options de « Montage uniquement sur les pointes de la GFP » et « Remove tronqué potentiellement micro-États », choisissez 30 pour le « Label fenêtre (ms) de lissage » et choisissez 1 pour la douceur de Non « sanction ». Puis cliquez sur « Ok ». Un fichier csv qui stocke les paramètres de micro-États sera sauvegardé sur l’ordinateur.

5. analyse de complexité omega

  1. Enregistrer les données EEG de chaque époque et chaque sujet en ASCII ou en format txt à l’aide personnalisé script. Un exemple de script personnalisé pour étape 5.1 a pu être trouvé dans les documents complémentaires.
    Remarque : Si la complexité globale oméga est calculée, les données EEG de toutes les électrodes du cuir chevelu sont nécessaires pour exporter au format ASCII ou txt. Si la complexité de l’oméga régionale est calculée, exporter uniquement les données EEG électrodes dans cette région du cuir chevelu. Par exemple, pour calculer la complexité oméga antérieur, exporter uniquement les données EEG des électrodes dans la région antérieure (Fp1, Fp2, F7, F3, Fz, F4 et F8) ; pour calculer la complexité oméga postérieure, exporter uniquement les données EEG des électrodes dans la région occipitale (T5, T6, P3, P4, Pz, O1 et O2).
  2. Calculer la complexité d’omega de discrètes tout en utilisant le logiciel de sLORETA17 (utilitaires | Connectivité globale). Ce logiciel est disponible à http://www.uzh.ch/keyinst/loreta.htm.
  3. Calculer la complexité d’omega de chaque bande de fréquences à l’aide de script personnalisé26. Dans notre cas, calculer la complexité de l’oméga des bandes de huit fréquences suivantes comme la valeur moyenne au sein de chaque limite de fréquence, qui sont des delta (0,5 à 3,5 Hz), thêta (4 à 7,5 Hz), alpha1 (8 à 10 Hz), alpha2 (10,5 à 13,5 Hz), beta1 (14-18 Hz), beta2 (18,5 à 30 Hz), gamma1 () 30,5-48 Hz) et gamma2 (52 à 80 Hz)4. Un exemple de script personnalisé pour l’étape 5.3 a pu être trouvé dans les documents complémentaires.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Micro-État EEG

Grand moyenne normalisée micro-État cartes sont affichés dans la Figure 1. Les paysages de potentiels électriques de ces quatre classes de micro-États identifiés ici sont très similaires à celles présentes dans les précédentes études4.

La moyenne et l’écart-type (SD) des paramètres de micro-état des sujets sains ont été montrés dans le tableau 1. Pour la classe A de micro-États, la fréquence est de 3,44 ± 1,29 fois / s, ainsi que la durée était de 72 ± 13 m pour la classe B de micro-États, le taux de fréquence est 3.54 ± 0.85 fois / s, ainsi que la durée était de 71 ± 18 m pour la classe C de micro-États, la fréquence était 3,85 ± 0,63 fois / s et la durée était de 69 ± 9 m pour la classe D de micro-États, le taux de fréquence est 3.41 ± 0,78 fois / s, ainsi que la durée était de 66 ± 11 ms.

Complexité de l’oméga

La valeur (moyenne ± écart-type), de complexité omega global de chaque bande de fréquence chez les sujets sains, a été présentée dans le tableau 2. Pour la bande delta, la complexité globale oméga était 6.39 ± 1,34. Pour la bande thêta, la complexité globale oméga était 5,46 ± 0,85. Pour la bande alpha-1, la complexité globale oméga était 3.47 ± 0,8. Pour la bande alpha-2, la complexité globale oméga était 3,87 ± 0,70. Pour la bande de bêta-1, la complexité globale oméga était 5,36 ± 0,84. Pour la bande de bêta-2, la complexité globale oméga était 6,16 ± 0,83. Pour gamma-1 tranche, la complexité globale oméga était ± 6,95 1.07. Pour la bande gamma-2, la complexité globale oméga était 6.88 ± 1,39.

La valeur (moyenne ± écart-type) de complexité oméga antérieure de chaque bande de fréquence chez les sujets sains a été indiquée au tableau 2. Pour la bande delta, la complexité de l’oméga antérieur était 4,84 ± 1,7. Pour la bande thêta, la complexité de l’oméga antérieur était 4,23 ± 1,48. Pour la bande alpha-1, la complexité de l’oméga antérieur était 3,44 ± 1,09. Pour la bande alpha-2, la complexité de l’oméga antérieur était 3,87 ± 0,97. Pour bande de bêta-1, la complexité de l’oméga antérieur était 3,74 ± 0,81. Pour la bande de bêta-2, la complexité de l’oméga antérieur était 2,94 ± 0,59. Pour gamma-1 tranche, la complexité de l’oméga antérieur était 1.98 ± 0,24. Pour la bande gamma-2, la complexité de l’oméga antérieur était 3.02 ± 0,59.

La valeur (moyenne ± écart-type) de complexité oméga postérieure de chaque bande de fréquence chez les sujets sains a été indiquée au tableau 2. Pour la bande delta, la complexité de l’oméga postérieure était 3,71 ± 1,48. Pour la bande thêta, la complexité de l’oméga postérieure était 2,47 ± 0,85. Pour la bande alpha-1, la complexité de l’oméga postérieure était 2,11 ± 0,9. Pour la bande alpha-2, la complexité de l’oméga postérieure était 3,16 ± 1,42. Pour bande de bêta-1, la complexité de l’oméga postérieure était 4,32 ± 1,67. Pour bande de bêta-2, la complexité de l’oméga postérieure était 3,84 ± 1.04. Pour gamma-1 tranche, la complexité de l’oméga postérieure était 2,17 ± 0,37. Pour la bande gamma-2, la complexité de l’oméga postérieure était 2,99 ± 0,53.

Figure 1
Figure 1. Moyenne normalisée des cartes topographiques, les quatre classes de micro-États (A-D) de l’état de repos EEG chez les sujets en bonne santé. Classe de micro-États A et B ont une frontale droite à orientation occipitale gauche et un frontal gauche à droite l’orientation occipitale, respectivement. Micro-État classe C et D avoir des topographies symétriques, mais préfrontal à orientation occipitale et frontocentral occipitale orientation ont été observés, respectivement. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.

Classes de micro-États
A B C D
Moyenne SD Moyenne SD Moyenne SD Moyenne SD
Accident/s 3.44 1.29 3.54 0,85 3.85 0,63 3.41 0,78
Durée (en ms) 72 13 71 18 69 9 66 11

Tableau 1. Paramètres de micro-état des sujets sains (n = 15). La moyenne et l’écart-type (SD) de la fréquence et la durée des quatre classes micro-États sont indiquées dans ce tableau.

Complexité de l’Omega global Complexité de l’Omega antérieur Complexité de l’Omega postérieure
Bande de fréquence Moyenne SD Moyenne SD Moyenne SD
Delta 6.39 1.34 4.84 1.7 3.71 1.48
Thêta 5.46 0,85 4.23 1.48 2.47 0,85
Alpha-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
Bêta-1 5.36 0,84 3,74 0,81 4.32 1,67
Bêta-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

Le tableau 2. Complexité d’omega global, antérieures et postérieures des sujets sains (n = 15). La moyenne et l’écart-type (SD) de la complexité de l’omega global, antérieure et postérieure pour les bandes de huit fréquences (delta, thêta, alpha-1, alpha-2, bêta-1, bêta-2, 1-gamma, gamma-2) ont été respectivement présentés dans ce tableau.

Fichiers complémentaires. Afin d’exécuter les scripts utilisés dans ce manuscrit, veuillez ouvrir les scripts dans l’environnement MATLAB, puis copiez tout le contenu dans la fenêtre de commande et appuyez sur la touche « Enter ». Notez que les scripts ne s’appliquent qu’à nos ensembles de données. Certaines modifications sont nécessaires lorsque les scripts sont appliqués aux autres ensembles de données. S’il vous plaît cliquez ici pour télécharger ce fichier.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Dans cet article, deux types de méthodes analytiques de l’EEG (analyse des micro-États et analyse de complexité oméga), mesurer la complexité temporelle et spatiale complexité du cerveau humain, respectivement, ont été décrits en détail. Il y a plusieurs étapes cruciales au sein du protocole qui devrait être mentionné. Tout d’abord, les données EEG doivent être nettoyées avant le calcul de la complexité des micro-États et omega. Deuxièmement, les données EEG devraient être remontaged contre la référence moyenne avant le calcul de la complexité des micro-États et omega. Troisièmement, les données EEG continues doivent être segmentées en époques avant le calcul de la complexité des micro-États et omega. La longueur de chaque époque devrait être 2 s. Enfin, le logiciel qui peut être utilisé dans l’analyse de micro-États incluent systèmes (https://sites.google.com/site/cartoolcommunity/about), sLORETA (http://www.uzh.ch/keyinst/loreta.htm) et MapWin (http:// www.thomaskoenig.ch/index.php/Software/mapwin). L’analyse de micro-États a été réalisée au moyen d’un plugin dans le EEGLAB dans cette étude.

Bien que l’analyse de micro-États menée ici a été appliquée aux données EEG sur l’état de repos, elle pourrait être facilement appliquée aux potentiels liés à l’événement (ERPs), ce qui nous aidera à découvrir plus d’informations sur les cours de temps de diverses opérations cognitives dans cognitive expériences et de fournir une approche sans référence pour effectuer des ERP analyse18,19. Remarque, pour le repos des EEG de l’État, la polarité des cartes topographiques est généralement négligée ; Toutefois, pour les ERP, la polarité des cartes topographiques devrait ne pas négliger. Une petite limitation de ce plugin EEG est qu’il ne pouvait être utilisé pour l’EEG de l’état de repos. Pour d’ERPs, le logiciel systèmes peut être un des meilleurs choix. La valeur de complexité oméga atteint de 1 à N. Si omega complexité calculée est 1, une connectivité fonctionnelle globale maximale dans une certaine région du cerveau est révélée ; considérant que si égaux sur la complexité de l’oméga N, une connectivité fonctionnelle globale minimale dans une certaine région du cerveau est trouvée. Ainsi, si nous voulons tester statistiquement la complexité oméga de différentes régions du cerveau, le nombre d’électrodes sélectionné dans ces régions doit être égal, puisque le nombre d’électrodes pourrait une influence significative sur la valeur d’omega complexité estimée.

Afin d’étudier l’EEG au repos, les chercheurs ont développé plusieurs EEG techniques (p. ex., analyse du spectre de puissance, analyse de la connectivité fonctionnelle)2,3. Par rapport à ces techniques traditionnelles, analyse de micro-États tire pleinement parti de l’excellente résolution temporelle de technique de l’EEG. Les quatre classes de micro-États identifiés ont été trouvés pour être en corrélation avec les quatre systèmes fonctionnels bien étudiées observées dans nombreux IRMf au repos-État études8,20: visual auditif (micro-État A), (micro-États B), partiellement cognitive contrôle et partiellement le mode par défaut (micro-États C) et l’attention dorsale (micro-États D). Ainsi, l’analyse de micro-États a donné une nouvelle approche pour étudier les réseaux au repos de l’État (RCMDN) du cerveau humain. Par rapport aux techniques traditionnelles de EEG, la complexité de l’omega pourrait caractériser la connectivité fonctionnelle globale dans une certaine région cerveau4. Traditionnelle connectivité fonctionnelle pourrait décrire seulement la connectivité fonctionnelle entre deux électrodes de cuir chevelu.

Cependant, les deux techniques EEG ont également plusieurs limites qui devraient être mentionnés. Tout d’abord, l’analyse de micro-États existants est généralement réalisée sur large bande des signaux EEG, donc il ne profite pas de l’information de fréquence riche de la technique de l’EEG. En outre, la signification fonctionnelle de ces quatre classes de micro-États et paramètres connexes ne sont pas très clair jusqu'à présent. Deuxièmement, la complexité de l’oméga ne peut détecter les dépendances linéaires. Il ne peut pas détecter les dépendances non linéaires entre les régions de cuir chevelu, qui ont peuvent être quantifiées par certains traditionnels connectivité fonctionnelle métriques (par exemple, valeur de verrouillage de phase, mutuelle risque d’information et de la synchronisation)21,22 ,,23.

À l’avenir, l’analyse de micro-États doit être appliquée avec des techniques de localisation de source (p. ex., sLORETA, BESA, formation de faisceau), qui permettra d’améliorer considérablement la résolution spatiale des signaux EEG. Bien que l’analyse de micro-États a été largement utilisé au repos EEG et ERP, seules quelques études ont appliqué cette technique dans le domaine temps-fréquence. Par exemple, Jia et al. 24 a proposé une approche basée sur l’analyse par segmentation topographiques à optimale et identifier automatiquement les détails des caractéristiques temps-fréquence. Cette approche pourrait exploiter efficacement l’information spatiale des activités oscillatoires. Toutefois, ces applications sont loin d’être mature. Pour la complexité de l’oméga, une complexité oméga normalisée est hautement nécessaire, puisque la valeur d’omega complexité estimée repose sur le nombre d’électrodes choisies. À l’avenir, il devrait être appliqué au domaine temps-fréquence.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Cet article a été soutenu par la Fondation nationale des sciences naturelles de Chine (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

DOWNLOAD MATERIALS LIST

References

  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. 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).
  3. 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).
  4. 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).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. 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).
  9. 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).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912 (2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. 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).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. 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).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. 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).
  21. 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).
  22. 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).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. 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).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135 (2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124 (2003).

Tags

Neurosciences numéro 136 électroencéphalographie (EEG) exempt de référence des mesures EEG analyse des micro-États complexité du signal complexité oméga segmentation topographique
Micro-État et Analyses complexité Omega de l’état de repos l’électroencéphalographie
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Gao, F., Jia, H., Feng, Y.… More

Gao, F., Jia, H., Feng, Y. Microstate and Omega Complexity Analyses of the Resting-state Electroencephalography. J. Vis. Exp. (136), e56452, doi:10.3791/56452 (2018).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter