Microstato e analisi di complessità Omega dell'elettroencefalografia dello stato di riposo
Summary
Questo articolo viene descritto il protocollo sottostante l’elettroencefalografia (EEG) microstato analisi e analisi di complessità di omega, che sono due misure di EEG privo di riferimento e preziosa per esplorare i meccanismi neurali di disturbi cerebrali.
Abstract
Complessità di microstato e omega sono due misure di riferimento-libero l’elettroencefalografia (EEG) che possono rappresentare la complessità spaziale e temporale dei dati EEG e sono stati ampiamente usati per studiare i meccanismi neurali in alcuni disturbi del cervello. L’obiettivo di questo articolo è di descrivere il protocollo sottostante analisi di EEG microstato e omega complessità passo dopo passo. Il vantaggio principale di queste due misure è che essi potrebbero eliminare il problema di riferimento-dipendente inerente all’analisi di spettro tradizionale. Inoltre, analisi di microstato fa buon uso della risoluzione temporale elevata di EEG in stato di riposo, e le quattro classi di microstato ottenuti potrebbero corrispondere le reti di stato riposo corrispondente rispettivamente. La complessità di omega caratterizza la complessità spaziale dell’intero cervello o regioni specifiche del cervello, che ha l’ovvio vantaggio rispetto a misure di complessità tradizionali concentrandosi sulla complessità di segnale in un singolo canale. Queste due misure di EEG potrebbero completarsi a vicenda per indagare la complessità del cervello dal dominio temporale e spaziale, rispettivamente.
Introduction
L’elettroencefalografia (EEG) è stato ampiamente utilizzato per registrare l’attività elettrica del cervello umano sia nella diagnosi clinica e della ricerca scientifica, poiché è non invadente, è costato basso ed ha una risoluzione temporale molto alta1. Al fine di studiare i segnali EEG in stato di riposo, i ricercatori hanno sviluppato molti EEG tecniche (ad es., analisi dello spettro di potenza, analisi di connettività funzionale)2,3. Di questi, microstato analisi e analisi di complessità omega potrebbe fare buon uso delle informazioni spaziali e temporali insite nel EEG segnali4.
Precedenti ricerche hanno dimostrato che sebbene la distribuzione topografica dei segnali EEG varia nel tempo in occhio chiuso o occhio-aperto stato di riposo, la serie di momentanee mappe mostrano cambiamenti discontinui dei paesaggi, ovvero, periodi di stabilità alternati con periodi di transizione breve tra certi quasi-stabile di topografie di EEG5. Microstati sono definiti come questi episodi con quasi-stabile topografie di EEG, che durano tra 80 e 120 ms1. Poiché diversi paesaggi di potenziale elettrici devono essere state generate da diverse sorgenti neuronali, questi microstati possono qualificarsi come i blocchi base di attuazione e possono essere considerati come “atomi di pensiero ed emozione”6. Utilizzando algoritmi di classificazione moderni pattern, quattro classi di microstato EEG a riposo sono stati costantemente osservati, che sono stati etichettati come classe A, classe B, classe C e classe D7. Inoltre, i ricercatori hanno rivelato che queste quattro classi di microstato di dati EEG a riposo sono stati strettamente associate con ben noti sistemi funzionali osservati in stato di riposo fMRI (risonanza magnetica funzionale) molti studi8,9 . Così, l’analisi di microstato fornito un nuovo approccio per studiare le reti di stato riposo (RSNs) del cervello umano. Inoltre, la durata media e la frequenza di occorrenza di ogni classe di microstato, la forma topografica delle quattro mappe microstato sono significativamente influenzati da qualche cervello disturbi4,10,11, e sono associati con l’intelligenza fluida12 e personalità13.
Nell’altro aspetto, tradizionale connettività funzionale di EEG multicanale potrebbe descrivere solo i collegamenti funzionali fra due elettrodi del cuoio capelluto, quindi non è riusciti a valutare la connettività funzionale globale attraverso il cuoio capelluto o all’interno di una determinata regione del cervello. La complessità di omega, proposta da Wackermann (1996)14 e calcolata attraverso un approccio che unisce analisi delle componenti principali (PCA) e l’entropia di Shannon, è stata utilizzata per quantificare la sincronizzazione globale di banda larga tra spazialmente distribuite le regioni del cervello. Al fine di valutare la complessità di omega di ciascuna banda di frequenza, trasformata di Fourier comunemente è stato condotto come un passo iniziale di25.
I microstati e la complessità di omega può essere utilizzati per riflettere due concetti strettamente collegati, vale a dire, la complessità temporale e complessità spaziale4. Poiché le classi microstato rappresentano determinate operazioni mentali nel cervello umano, essi possono riflettere la struttura temporale delle oscillazioni di un neurone. Durata inferiore e superiore frequenza di occorrenza al secondo deve indicare complessità temporale superiore. La complessità di omega è correlata positivamente con il numero di fonti indipendenti neurali nel cervello, così sono comunemente considerati come un indicatore di complessità spaziale4.
L’articolo attuale descrive il protocollo di EEG microstato analisi e analisi di complessità di omega in dettaglio. Le analisi di complessità EEG microstato e omega offrono l’opportunità di misurare la complessità spaziale e temporale dell’attività cerebrale rispettivamente.
Protocol
Representative Results
Discussion
In questo articolo, due tipi di metodi analitici di EEG (cioè, microstato analisi e analisi di complessità di omega), misurazione della complessità temporale e spaziale complessità del cervello umano rispettivamente, sono stati descritti dettagliatamente. Ci sono diversi passaggi critici all’interno del protocollo che dovrebbe essere menzionato. In primo luogo, i dati EEG devono essere puliti prima il calcolo della complessità microstato e omega. In secondo luogo, i dati EEG dovrebbero essere remontaged contro la me…
Declarações
The authors have nothing to disclose.
Acknowledgements
Questo articolo è stato sostenuto da National Natural Science Foundation of China (31671141).
Materials
| 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 |
Referências
- 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, 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).
