Mikrostaten og Omega kompleksitet analyser af Resting state electroencefalografi
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.
Protocol
Representative Results
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 …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Denne artikel blev støttet af 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 |
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, 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).
