JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Please note that all translations are automatically generated. Click here for the English version.
行为学

A Novel Experimentele en analytische benadering van de Multimodal Neural Decoding of Intent Gedurende sociale interactie in Vrij-gedragen Human Zuigelingen

Published: October 04, 2015
doi:
10.3791/53406
, , , , ,
1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering,University of Houston, 2Department of Biomedical Engineering,University of Houston, 3Department of Biology and Biochemistry,University of Houston

Summary

This protocol presents a novel methodology for the neural decoding of intent from freely-behaving infants during unscripted social interaction with an actor. Neural activity is acquired using non-invasive high-density active scalp electroencephalography (EEG). Kinematic data is collected with inertial measurement units and supplemented with synchronized video recording.

Abstract

Understanding typical and atypical development remains one of the fundamental questions in developmental human neuroscience. Traditionally, experimental paradigms and analysis tools have been limited to constrained laboratory tasks and contexts due to technical limitations imposed by the available set of measuring and analysis techniques and the age of the subjects. These limitations severely limit the study of developmental neural dynamics and associated neural networks engaged in cognition, perception and action in infants performing “in action and in context”. This protocol presents a novel approach to study infants and young children as they freely organize their own behavior, and its consequences in a complex, partly unpredictable and highly dynamic environment. The proposed methodology integrates synchronized high-density active scalp electroencephalography (EEG), inertial measurement units (IMUs), video recording and behavioral analysis to capture brain activity and movement non-invasively in freely-behaving infants. This setup allows for the study of neural network dynamics in the developing brain, in action and context, as these networks are recruited during goal-oriented, exploration and social interaction tasks.

Introduction

Een van de fundamentele menselijke capaciteiten is de mogelijkheid om te leren en te implementeren acties (actie productie) strategisch in dienst van de doelen en beloningen, de mogelijkheid om de doelstellingen van de sociale partners (actie begrip) begrijpen om passende sociale reacties te produceren, en het vermogen om te leren van anderen door middel van observatie en imitatie 1. De neurale basis van deze cognitieve-motorische vermogens werden toegewezen, ten minste gedeeltelijk, de zogenaamde spiegelneuronsysteem; een systeem dat wordt verondersteld te worden ingeschakeld als men ziet iemand het uitvoeren van een actie en wanneer men voert de actie uit. Echter, het mogelijke verband tussen het spiegelneuronen-systeem en de actie inzicht is nog niet goed begrepen 1. Het bestuderen van de opkomst en ontwikkeling van het spiegelneuronen-systeem in menselijke zuigelingen is belemmerd door a) de technische beperkingen van multi-modale data-acquisitie van hersenactiviteit gecorreleerd aan opzet en fijnkorrelig motion data, B) de bij experimentele protocollen die onnatuurlijk (bijvoorbeeld sociale interactie met een middel afgebeeld in een videotape, de noodzaak van het handhaven van een nog houding artefacten te minimaliseren tijdens Elektro-encefalogram (EEG) registraties, etc.) zijn beperkingen, en c) het communicatie / taalbarrières bij het testen van jonge baby's / peuters, dat de mogelijkheden van de onderzoeker sterk beperken om instructies te geven en te valideren gedrag.

Voor een beter begrip van de uiteenlopende neurale en gedragsmatige dynamieken in natuurlijke gedrag, ontwikkelden we een nieuwe experimentele en analytische benadering die de tijdsopgeloste studie van de neurale substraten van de opkomende doelgericht en sociaal gedrag bij jonge kinderen mogelijk maakt. Concreet hebben we een EEG gebaseerde mobiele brain imaging (MOBI) benadering 2 tot recordhoogte hersenactiviteit en de beweging van de vrij-gedragen kinderen ingezet tijdens de interactie met een experimentator. Traagheidsmeetapparaat units (IMU) werden gebruikt voor monitor onderwerp en experimentator kinematica.

EEG technologie en inertiesensoren werden gebruikt om neurale patronen en activeringen bijbehorende actie imitatie van de zuigelingen en doelgericht gedrag in een unscripted interactie met een onderzoeker / acteur te bestuderen. Acties zoals REACH-greep, bereiken-aanbod, observeren, rust, en verkennen zijn allemaal onderdeel van de cognitieve-motor processen die betrokken zijn in navolging. Verder maken we bron schatting voor de generatoren van elektrische potentialen in de hersenen te lokaliseren tijdens de gedragstaken, waardoor de spatiotemporele dynamiek van neuronale stromen studie over de hersenen. Evenzo zetten we machine learning algoritmes te beoordelen en te meten van de voorspelbaarheid van deze gedragsproblemen acties door het identificeren van actie-relevante ruimtelijke en temporele patronen in de neurale activiteit in de sensor (EEG) en / of de bron ruimtes. De integratie van traditionele ERD / ERS, bron en decoderen analyse zorgen voor een meer uitgebreide developmenTal beschrijving van de neurale basis van dergelijk gedrag.

Deze opstelling liet ons toe om de voordelen van de MoBI benadering 2,3 benutten en bestuderen van de sociale interacties tussen het kind en de experimentator omdat zij van nature zonder beperkingen.

Het protocol, vanaf het moment dat het onderwerp komt aan de tijd die hij / zij vertrekt, duurt ongeveer 1 uur in beslag. De IMU / EEG insteltijd en elektrode locatie acquisitie varieert van 15 – 25 minuten, afhankelijk van factoren zoals haarlengte en medewerking van het subject. De initialisatie en configuratie van het materiaal voegt tot 10 min, en de testsessie duurt ongeveer 15 min. Verwijdering van de IMU en EEG cap, zoals het reinigen van de kop van het kind van de hypoallergene gel met een 5-10 min.

Protocol

Het volgende protocol werd ingesteld en door de Institutional Review Board van de University of Houston goedgekeurd. Ouders of verzorgers van alle baby proefpersonen ontvangen, gelezen, en tekende een toestemmingsformulier voor deelname. Ouders kregen gratis parkeergelegenheid en een $ 20 gift card als compensatie voor hun deelname aan het onderzoek, terwijl de kinderen gekozen voor een leeftijd passende speelgoed. De aangeworven zuigeling proefpersonen voldeden aan de volgende criteria: 1) leeftijd tussen 6 en 24 maanden. 2) van de zuigeling gezond was, had een normale groei en ontwikkeling, en had geen geschiedenis van natal kwesties, hersenschudding, epileptische aanvallen, beroertes, of leerstoornissen. Voorbeelden van enkele veelvoorkomende ontwikkelingsstoornissen dat een kind zou uitsluiten van het testen zijn niet gedijen, ondervoeding, en het gebruik van alcohol of drugs door de moeder tijdens de zwangerschap. Een vereenvoudigd stroomschema voor het gelijktijdig opnemen van multimodale neurale activiteit via scalp EEG enIMU in vrij gedragen zuigelingen wordt weergegeven in figuur 1. 1. Informed Consent Toon ouders de laboratoriumruimte en kort uitleggen het doel van het experiment met hen. 2. Scalp EEG Voorbereiding Opmerking: Het EEG-systeem gebruikt (tabel 1) bestaat uit een actieve elektrode systeem uitneembare elektroden. Impedantie niveaus worden op de elektrodes via LEDs. Meet het kind hoofdomtrek in cm. Plaats een meetlint op het breedste punt van de kop, leiden over de wenkbrauwen en rond de occipitale bekendheid in het achterhoofd. Opmerking: Het meten van de hoofdomvang nodig voor het selecteren van een geschikte grootte EEG cap. Er zijn speciale maten voor de kinderpopulatie in tabel 1 beschreven. Plaats elektroden op een geschikt formaat EEG cap (tabel 1), zoals gespecificeerd door de10-20 internationale systeem. De kap zorgt voor een goede plaatsing van de elektroden op de hoofdhuid. Opmerking: Het verdient de voorkeur de kap direct door de tijd dat de baby komt de studie lokatie. Informatie over de grootte van het hoofd kan worden verkregen van de ouders voor de tijd, of benaderd met behulp van tabellen online beschikbaar [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Als het hoofd meting niet overeenkomt met aanpassing van de onderzoeker, moet er een nieuwe kap worden voorbereid. Als er meerdere caps en elektroden zijn beschikbaar, kunnen meerdere caps worden ingesteld vooraf voorbereidingstijd te minimaliseren. Verklaren de geleren procedure voor de ouder. Laat hen de stompe naald en spuit gebruikt om gel van toepassing op elke elektrode en laat ze voelen de naald op hun huid. Gebruik een demo EEG elektrode en de hoofdhuid cap te gaan over de geleren procedure. Meet de afstand van de nasion de INION langs het sagittale vlak van het oppervlak van de hoofdhuid. Overgaan tot de fiscale passenp cap van achter het kind. Lijn de Cz elektrode met de top van het hoofd. Ga verder richten en centreren de Fp1 en Fp2 elektroden op het voorhoofd op ongeveer 10% van de afstand tussen de nasion en INION. Lijn de hoofdhuid dop symmetrisch langs het sagittale middenvlak van het hoofd. Zorg ervoor dat mid-elektroden [afz, Fz, FCZ, CZ, CPZ, Pz, Poz, Oz] zijn uitgelijnd met de nasion en INION. Als je klaar bent, zet de dop door het vastbinden onder de kin. Let op: Leid het kind terwijl hij / zij wordt uitgerust met de EEG cap. Een leeftijd passende video wordt vaak gebruikt om kinderen af ​​te leiden tijdens de installatie. Sluit de referentie, grond, en de opname elektroden op de schakelkast. Schakel de impedantie indicatoren van de schakelkast. Beginnend met grond en referentie-elektroden met een kleine spuit elektrolytgel injecteren in de ruimte tussen de hoofdhuid en elektrode tot de impedantie van elke elektrode maatregelen onder 60 kQ. Dit is inddelgrote door een geel of groen licht op de elektroden. Verdere details over EEG elektrode voorbereiding zijn verkrijgbaar in 4. Opmerking: Tijdens het geleren procedure, zou het kind zijn / haar hoofd bewegen om verschillende redenen (nieuwsgierigheid, angst, omgeleid aandacht). Het wordt daarom aanbevolen dat de tweede experimentator of ouder blijft het kind af te leiden. Gebruik de injectiespuiten achter de baby hoofd het gevaar van het raken van het gezicht van het kind met de naald te voorkomen door onverwachte beweging van het onderwerp. Sluit de versterkers op de host-pc via een USB-poort met behulp van een glasvezel-naar-USB-converter. Opmerking: Figuur 2A toont het kind onder setup met de EEG cap en de IMU plaatsing. Merk op dat de elektrode kabels en de regelkast worden opgehouden, het verstrekken van onbelaste mobiliteit op het onderwerp. Figuur 2B toont een topografisch aanzicht van de elektrode locaties de EEG cap naar aanleiding van de 10-20 etikettering. 3. IMU Voorbereiding Open de IMU software. Klik op "Nieuw" op de grafische interface. Klik vervolgens op "Configure" in het dialoogvenster om IMU configureren. Stel de sampling frequentie 128 Hz. Bevestig de IMU op het hoofd, borst en linker en rechter pols van de baby. Let op: Zie figuur 2A. Tegelijkertijd past polsen het experiment met IMU. Zorg ervoor dat IMU zijn goed bevestigd aan het lichaam om inertie meetfouten te minimaliseren. Met behulp van riemen, plaatst de pols IMU aan de rugzijde van de pols. Plaats de borst IMU op het ventrale oppervlak nabij het midden van de borst met behulp van een harnas. Bevestig het hoofd IMU om de kin bandjes van de hoofdhuid dop zodat het in de buurt van de linkerkant van de kin. Plaats de IMU, zodat ze geconfronteerd naar buiten, met de LED-licht georiënteerde up. Opmerking: De IMU wegen elk ongeveer 22 g, en hun kleine formaat en het lichte gewicht is het onwaarschijnlijk dat m belemmerenovement. Een extra experimentator kan nodig zijn om de zuigeling redenen in stap 2.8 beschreven afleiden. 4. Video Capture en synchronisatie van gegevens Streams Plaats videocamera (18), zodat het kind (12) de actor (14) en de LED trekker (13) zijn duidelijk zichtbaar. Zie Figuur 4. Opmerking: Video-opnamen worden gebruikt om visuele annotatie en segmentatie van gedrag veroorzaakt door de experimentator, en bevestiging van het begin en einde van de opnamesessie toestaan. Verbind de trigger input / output-behuizing (7) naar de EEG (5) en IMU (4). Zie figuur 3. Opmerking: Een aangepaste input / output behuizing (7), getoond in figuur 3, is bedoeld voor het uitlijnen van alle opgeslagen data streams (EEG, IMU en video) en dus gebruik eventmarkers van één opnemend (zoals video) of steun analyse van een andere opname (zoals EEG of versnelling). Dit wordt bewerkstelligd door eenéén drukknop die, wanneer ingedrukt, zal een actieve-laag stuur (+ V om Ground) triggerpuls om EEG (via een DB-25 parallelle poort), IMU (via een mini-DIN-6-connector) en video (door het belichten van een lichtemitterende diode (LED) geplaatst gezien de videocamera) opnamen tegelijkertijd. Een logische invertor 7404 IC chip werd gebruikt om de lage toestand (aarde) vormen naar een hoge toestand (+ V) puls, die de potentiaal die nodig is om de LED stroom. Een onderzoeker in de nabijheid van de trekker drukknop en gegevensverzameling computer. De onderzoeker is verantwoordelijk voor het bedienen van de trekker, de controle op de datakwaliteit gedurende het experiment en opslaan van de data. 5. Voorbereiding van de testomgeving Zie Figuur 4. 6. Data Collection Noteer de initiële impedantiewaarden van de EEG-elektroden met de besturingssoftware door op de "impedantieControleer "tab, klik op de radioknop" impedantie On "(wacht ongeveer 5 seconden voor elektrode impedantiewaarden te stabiliseren), en te klikken op de" impedantie Save "radioknop om impedanties redden. Zie figuur 5. Geen filters worden tijdens het EEG dataverzameling toegepast. In het EEG-recorder programma, klik op "Monitor" en vervolgens "Play" om te beginnen met het hercoderen van EEG-gegevens. Zie figuur 6. In de IMU software, klikt u op "Stream" en vervolgens op "Record" in het dialoogvenster te beginnen met het opnemen IMU data. Zie figuur 7. Breng drie triggers (III) aan de start van het experiment met de druk aan de ingang / uitgang behuizing (7) signaal. Laat het kind rust voor 1 min tijdens het opnemen. Dit zorgt voor de initiële basisgegevens. Voeren experiment en laat het kind onderwerp pauzes te nemen als dat nodig is. Elk experiment proef bestaat uit een bocht nemen taak waar de acteur showseen actie om het kind met behulp van een object (meestal, maar niet altijd, speelgoed), doorgegeven aan het kind in een poging om een ​​imitatie reactie initiëren, en tenslotte haalt het object terug van het kind. Opmerking: Deze uitwisseling is over het algemeen herhaald voor 4-5 proeven of totdat het kind toont geen belang in het object. Gezien de omgeving van de zitting, annoteren alle timings van ieder gedrag na het verzamelen van gegevens via de video-opname. Noteer de uiteindelijke impedantiewaarden van de EEG-elektroden. Zie stap 6.1. Digitaliseren van de 3D ruimtelijke coördinaten van de EEG-elektroden met behulp van de EEG elektrode 3D-scanner en de software en de bijbehorende software. Start de 3D-scanning software. Ga naar "File" en selecteer "nieuwe werkruimte". Laad de elektrode positie bestand in het eerste tabblad van de werkruimte en de nodige informatie op het tabblad opslag. In de werkbalk scannen, klik op "stert scanning ". De 3D-scanner, op ongeveer 30 cm van het hoofd van de baby, de elektrodenlocaties gescand door de veranderende lichtpatronen op de dop. Wanneer de scan is voltooid, zal de software automatisch de resultaten op te slaan. Opmerking: Aan de achterkant van het hoofd, kunnen de kabels van de LEDs op de elektroden blokkeren vanwege de kleine grootte van het hoofd van het kind. De software kan de gebruiker een aantal elektrodes van de scan te verwijderen zonder de resultaten. Verwijder de occipitale elektrodes van de scan indien nodig. 7. Behavioral Segmentatie Controleer de video-opname van het experiment sessie en geven de tijd wanneer de trekker LED knippert (wanneer de proef begint en eindigt), en elk van de eerder genoemde gedragingen in stap 6,6 begin en eind. 8. Bron Imaging Opmerking: Source beeldvorming kan nauwkeurig de generatoren van identificerenEEG potentialen in de hersenen en bestaat meestal uit het oplossen van de voorwaartse en inverse probleem 5. Verwerven Hoge resolutie T1 gewogen Magnetic Resonance Image (MRI) gegevens uit het publieke domein databases zoals de Neurodevelopmental MRI-database, die gemiddeld MRI templates als functie van de leeftijd (in maanden) voor de eerste twee jaar van het leven 6,7 bevat. Let op: Deze studie maakt gebruik van alleen de leeftijd passende forward hoofd modellen van zuigelingen en daarom geslacht informatie wordt geen rekening gehouden bij de keuze van de MRI-template). Verwerven bron volumes voor grens element modellen (BEM), die het hoofd compartimenten (ie, grijze stof, witte stof, de hoofdhuid, binnen- of buitenkant schedel) als MRI volumes van de Neurodevelopmental MRI-database 8 bevatten. Voorbewerkings- BEM MRI volume een realistisch hoofdmodel verkregen door het extraheren van het oppervlak van de hersenen en het hoofd compartimenten Curry 7 of soortgelijke brain imaging softwarepakket. Importeer de T1-gewogen MRI. Handmatig identificeren van de drie de vaste punten, zoals rechts / links pre-auriculaire punten en nasion binnen de brain imaging software, of een soortgelijke verpakking. Co-register EEG en MRI ruimte om de starre geometrische transformatie tussen de MRI's de ruimte en de ruimte van het onderwerp door het aanbrengen van de vaste punten op MRI aangegeven en de resultaten verkregen met 3D-scanner in stappen 6,9-6,11 met behulp van de brain imaging software of soortgelijke pakket fiducials verkrijgen. Het oplossen van de forward-model. Opmerking: De voorwaartse probleem betreft de definitie van een hoofdmodel dat de geometrie van de kop en de elektrische geleidbaarheid van het hoofdvolume 9,10 vertegenwoordigt. Los het inverse probleem Opmerking: De inverse probleem probeert een locatie, sterkte en een tijdsverloop van een bron in de hersenen van de hoofdhuid EEG-signalen via signaalverwerkingstechnieken 11 afleiden. Segment continueEEG gegevens in studies rond de taak ontstaan ​​(bijv., Imitatie, observatie segmenten) met pre- en post-taak ontstaan ​​segmenten van 2 seconden lang. Identificeren kanalen met een hoge impedantie als "slechte kanalen" en andere kunstmatig proeven in elke proef. Pre-proces van de EEG-gegevens voor artefact afwijzing met ICA en reconstrueren de slechte kanalen met het gemiddelde van de buurlanden-artefact gratis kanalen. 12,13,14. Gebruik het voorwaartse model als input voor een automatische optimalisatie algoritme dat zoekt over de gehele hersenen om de best mogelijke bron locaties te identificeren. Visueel analyseren de geschatte bronnen en pak de oplossingen die het meest overeenkomen met uw verwachtingen gebaseerd op de voorkennis van de aard van het experiment en zorgvuldig interpreteren. Opmerking: deze stap is de voorgespannen men vanwege de slecht gesteld aard van het inverse probleem, dat wil zeggen verschillende configuraties van de bronnen kan resulteren in dezelfde oppervlaktepotentialen. Daarom, Kan het nuttig zijn om een ​​sanity check uit te voeren om te controleren of een bepaalde kop model en inverse methode werkt goed. Voer een sanity check, het lokaliseren van een bekende gesimuleerde dipool. Namelijk voor het gegeven hoofd model plaats een dipool met bekende configuratie en het oplossen van het voorwaarts probleem gesimuleerde spanningen te krijgen voor deze dipool. Los het inverse probleem met deze spanningen op dezelfde kop model, om ervoor te zorgen dat het geeft de gesimuleerde dipolen. Opmerking: Deze sanity controles moeten dipolen aanvankelijk geplaatst om een ​​hoge nauwkeurigheid terugkeren.

Representative Results

Figuur 8 toont monster EEG en versnelling gegevens van de IMU voor een 16 sec tijdvenster opgenomen tijdens de interactie tussen het onderwerp en de experimentator. EEG-gegevens werd opnieuw bemonsterd op 100 Hz en vervolgens band-pass gefilterd [1-40 Hz] met behulp van een 3e orde, nul-fase Butterworth filter. Kanalen met een hoge impedantie-waarden (Z> 60 kOhm), en perifere kanalen, werden weggegooid 12,15. De IMU opgenomen negen signalen bij 128 Hz: magnetische flux, hoeksnelheid, en lineaire versnelling in de drie Cartesiaanse assen. Hier tonen we de omvang van de zwaartekracht gecompenseerde (GC) versnelling. Het effect van zwaartekrachtversnelling werd gecompenseerd door een Kalman filter om de IMU oriëntatie in een globaal kader 16 voorspellen. De gegevens werden gesegmenteerd door visuele inspectie van de video-opnamen (stap 7.1). Verticale getrokken lijnen geven het begin van een gedrag van belang, gestippelde verticale lijnen geven het einde van het evenement. <pclass > Invloed van bewegingsartefacten aanwezig is in de EEG data in figuur 8 rond 709s. De ongedwongen benadering van het verzamelen van gegevens in deze experimentele protocol maakt de EEG data gevoelig voor de ogen knippert, oogbewegingen, motion en electromyografische artefacten. De data werd voorbewerkt door een 3e orde nulfase Butterworth banddoorlaatfilter te beperken tot de delta-band (1-4Hz) en gestandaardiseerd door het aftrekken van het gemiddelde en delen door de standaardafwijking. High-amplitude artefacten werden automatisch verwijderd met behulp van de methode 17 Artifact Subspace Removal (ASR). Bovendien zijn perifere kanalen buiten de gegevensanalyse in een poging om myoelectric artefact besmetting te minimaliseren. Frontalis en temporalis spiersamentrekkingen fuseren met EEG-signaal het meest opvallend op perifere locaties: frontalis krimp zien in anterieure locaties en temporalis krimp opduikt in de laterale frontale en Temporal 15 locaties. Om de aard van de verzamelde met dit protocol inzage werden EEG data histogrammen in Figuur 9. In Figuur 9A uitgezet, beschrijft de datadistributie van het genormaliseerde signaal van drie ruimtelijk representatieve elektroden. De EEG-gegevens toont een multimodale verdeling van de geanalyseerde gedrag. In figuur 9B de kurtosis zijn weergegeven als staafdiagrammen gemakkelijker visueel onderzoek van de gegevens. Classificatie werd uitgevoerd door het extraheren van op tijd gebaseerde vertraging van elke EEG-kanaal, waardoor dimensionaliteit met behoud van de lokale spreiding van elke klasse (Local Fisher's discriminantanalyse (LFDA)) 18, en training / testen van een model van de gereduceerde set van functies (Gaussian Mixture modellen (GGM)) 19. Training / testen monsters werden willekeurig bemonsterd dan 20 iteraties (dwz cross-validatie) aan een ov voorkomener-fitting.Training/testing~~V steekproefomvang varieert gezien het aantal afgewezen kanalen (dat wil zeggen, de impedantie van meer dan 60 kHz), de lengte van experiment sessie, en het aantal proeven en gedrag uitgedrukt. Echter, het aantal training en testen monsters voor elke klasse (gedrag) overeen met 50% van de minst bevolkte klasse. Als voorbeeld, de testopstelling grootte van elke categorie is N = 1069 monsters voor het kind uit figuur 10. Alle pre-processing en classificatie stappen werden berekend onder MATLAB programmeeromgeving. Figuur 11 toont de gehele procedure voor EEG source schatting uitgevoerd in deze studie in een stap voor stap manier. Meer details over elke stap wordt ook samengevat in paragraaf 8. Figuur 12 toont de resultaten van het evenement gerelateerde (de) synchronisatie (ERD / ERS) in de mu-ritme (09/05 Hz) en de dipool bronnen tijdens de "Reach-aanbieding1; taak. ERS en ERD werd berekend als het percentage van een afname of toename van een frequentie-band energie die tijdens gebeurtenis (bereiken en bieden taak) interval in vergelijking met de referentie-interval (een segment genomen voorafgaand aan de gebeurtenis). Deze figuur toont ook zwaartekracht gecompenseerd magnitude versnelling verkregen tijdens de taak van beide polsen van het kind en de acteur. Voor een dipool analyse van de EEG-signalen werden ontleed met behulp van onafhankelijke component analyse (ICA) om achtergrondgeluid te elimineren. De bron schatting werd uitgevoerd in mu-ritme na ICA voorbewerking via een vaste MUSIC algoritme 5. Zoals verwacht, waren de bronnen gelokaliseerd over de juiste primaire motorische gebied, terwijl het onderwerp gebruikte zijn linkerhand om het voorwerp te grijpen. productnaam Bedrijf Hoeveelheid BrainAmp Amplifier Brain Products, Gmbh 2 <tr> actiCAP EEG modulair samen 64 elektroden * Brain Products, Gmbh 10 actiCAP Control Box Brain Products, Gmbh 1 Brain Vision Recorder software Brain Products, Gmbh 1 actiCAP Control Box software Brain Products, Gmbh 1 CapTrak Brain Products, Gmbh 1 CapTrak software Brain Products, Gmbh 1 Opal beweging beeldscherm APDM, Inc 6 Opal docking station APDM, Inc 6 Opal draadloos toegangspunt APDM, Inc 1 Motion Studio-software APDM, Inc 1 Trigger doos Custom 1 Videocamera HC-W850M, Panasonic Co. 1 * De EEG doppen komen in de volgende hoofdomtrek maten voor zuigelingen: 42, 44, 46, 48, 50 cm. Voor dit protocol, is een voorraad van 2 caps van elke maat aan te bevelen. Tabel 1 Equipment. Figuur 1. stroomdiagrammen. (A) Flow diagram van het experiment setup. (B) Stroomdiagram van de dataverzameling sessie. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 2. Onderwerp setup en klaar voor het verzamelen van gegevens. (A) Frontale mening van onder het dragen van de EEG cap, en vier IMU. (B) Topografische weergave van de 64-kanaal EEG cap met behulp van de 10-20 standaard elektrode positioning system. Klik hier om te bekijken grotere versie van deze figuur. Figuur 3. Het verzamelen van gegevens apparatuur en de testkamer. (A) Het verzamelen van gegevens apparatuur setup: EEG bedieningskast (1), EEG dop (2), trekker (3), draadloze IMU data ontvanger (4), EEG versterkers (5), speelgoed doos (6), trekker drukknop (7), data-acquisitie laptops (8), IMU docking station (9). (B) Close-up van de EEG cap, actieve elektroden en schakelkast. (C) Close-up van de IMU en draadloze ontvanger, trigge r drukknop, EEG versterkers, laptops en het verzamelen van gegevens. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 4. Schematische weergave van de experimentele opstelling. EEG bedieningskast houder (10). Onderwerp voogd zit op een stoel (11), experimentator zit op een stoel (14) en de persoon die het toezicht op de gegevens zit op een stoel (17). De rest van de experimentele opstelling wordt getoond. Interactie tafelblad (12), trekker (13), speelgoed doos (15), data-acquisitie tafel (16), videocamera plaatsing (18) Klik hier om een grotere versie van deze foto figuur. "Src =" / files / ftp_upload / 53.406 / 53406fig5.jpg "/> Figuur 5. Screenshot van de EEG besturingssoftware. De pijlen wijzen naar de belangrijkste pictogrammen in de software in stap 6.1 en beschreven 6.8. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 6. Screenshot van EEG-opname software. De pijlen wijzen naar de belangrijkste iconen in de in stap 6.2 en 6.3 beschreven software. Een deel van de live-streaming ruwe data wordt getoond. Klik hier om een grotere versie van deze figuur te bekijken. pg "/> Figuur 7. Screenshot van de IMU software. De rode dozen markeren de belangrijkste pictogrammen in de in stap 6.4 beschreven software. (A) Belangrijkste commando venster. (B) Configuratie venster. Venster (C) opnemen. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 8. Voorbeeld van gegevens van een representatieve experimentele sessie. (A) EEG en versnelling gegevens worden getoond, gefilterd zowel band-pass [1-40Hz]. EEG-elektroden met een lage impedantie (Z <60 kohm) tijdens de sessie worden weergegeven. solide verticale lijnen geven het gedrag onset (b) still frame voorstellingen van kind die zich bezighouden met geanalyseerd:. let op, reach-greep, reach-aanbod, imitate, verkennen, rest. klik hier om een grotere versie deze figuur te bekijken. 9. voorbeeldhistogrammen eeg amplitude zes geïdentificeerd. a) gegevens overeen ruwe uit drie elektroden (cp2, fc5, poz) geregistreerd in zitting 20 maanden oude baby. histogrammen geschaald naar hoogste aantal gebeurtenissen en kurtosis elk histogram wordt getoond aan rechterkant perceel. op bimodaal voor grootste deel gedragingen. b) monster gedrag. <p class ="jove_content" fo:keep-together.within-pleeftijd ="always"> Figuur 10. EEG voorspelt gedragsmatige acties in vrij gedragen zuigelingen 12. Een monster verwarring matrix voor de indeling nauwkeurigheid voor een 20 maanden oude baby wordt getoond. De algehele nauwkeurigheid decodering wordt weergegeven op de hoek rechtsonder. Klik hier om een grotere versie van deze figuur te bekijken. Figuur 11. Bron Localization. Stappen die nodig zijn voor een zuigeling dipool bron lokalisatie met een anatomische MRI en een functionele EEG-gegevens. Klik hier om een grotere versie van deze figuur te bekijkenure. Figuur 12. Reach-aanbod taakanalyse profiel. A) Snapshots van een kind het uitvoeren van de "Reach-Bod" taak. B) Mean Global Field Kracht van EEG in Mu band (5-9 Hz), de beweging van de ledematen trajecten van het kind en de acteur; de grote gemiddelde event related spectrale verstoring van alle kanalen. C) Gelokaliseerde dipool bronnen voor twee gebeurtenissen van de "Beweging onset" en "Beweging Completion". Klik hier om een grotere versie van deze figuur te bekijken.

Discussion

De beschreven protocol presenteert een methodologie om gegevens te verzamelen van de vrij-gedragen kinderen terwijl ze de interactie met een onderzoeker in real time. Het gebruik van mobiele brain imaging-technologie (hoofdhuid EEG) om de neurale activiteit te vangen terwijl tegelijkertijd opnemen kinematische gegevens IMU op strategische locaties in het lichaam. Het experiment sessie wordt ook opgenomen door een videocamera. De drie gegevensregistratie systemen worden gesynchroniseerd met behulp van een aangepaste trigger-systeem.

De EEG en IMU-systeem worden vastgebonden aan het onderwerp als hij / zij vrij bewegen tijdens het experiment sessie. De IMU moeten veilig worden vastgebonden om te kunnen kinematica nauwkeurig vast te leggen. Om volledige onbeperkte mobiliteit van de patiënt te waarborgen, de apparatuur zo minimaal opdringerig mogelijk zijn; waardoor het gebruik van de houder van de EEG's elektrodekabels en de besturingskast EEG ondersteunen. De experimentator dan interactie met de baby ongeveer 15 minuten. De Infant zal een leeftijdsafhankelijke repertoire van gedrag uitlokken tijdens de interactie. Deze omvatten rust, bereiken-greep, bereiken-aanbod, verkennen, te observeren en te imiteren. Toch zullen sommige baby's niet bereid om samen te werken in de sessie als gevolg van vermoeidheid, gebrek aan comfort, of stress zijn. Zorg ervoor dat het experiment te plannen wanneer het kind is het meest dynamisch en actief om te voorkomen dat het voorkomen van negatieve reacties van hem / haar.

De aard van het experiment presenteert risico's voor de kwaliteit van het opgenomen gedurende de sessiegegevens. Daarom is het cruciaal om de aansluitingen en datakwaliteit test voordat de opnamesessie, en deze continu te controleren tijdens de sessie. Als de gegevens EEG-systeem niet datakwaliteit opneemt, stopt de software en koppel alle aansluitingen. Voordat de software opnieuw te starten of het aansluiten van de apparatuur terug naar de laptop, verwijder alle mogelijke geluidsbronnen (dwz, voedingen) van de nabijheid van de opname hardware. De EEG hardware omvat signaalversterkers die kan oppikken omgevingslawaai zo dicht geplaatst om elektrische ruis bronnen. Voor de IMU ontvanger, zorg ervoor dat er geen inmenging in de zichtlijn tussen de ontvanger en het experiment en kind.

Deze experimentele opstelling biedt een hoge temporele resolutie neuraal data door het meten van elektrische activiteit aan het oppervlak van de hoofdhuid. Recente studies hebben de haalbaarheid van het gebruik van deze signalen, met hele lichaam kinematica, ingedeeld naar informatie expressieve bewegingen 20 identificeren en functionele bewegingen 21,22 aangetoond, wat suggereert dat deze voorgestelde Gegevensverzameling benadering kan leiden tot een beter begrip van de neurale basis van imitatie bij zuigelingen.

Recente bijdragen met krachtige machine-learning algoritmes toegepast op de hersenen dynamiek 13,20,21 bouwen een groeiende toolkit om het oppervlak potentieel in meer natuurlijke se studerentellingen. Deze voorgestelde opzet biedt een scala aan mogelijkheden voor de onderzoeksvragen worden aangepakt 2,22. Met name kan worden toegepast aan onderzoek gericht op a) het begrijpen van de neurale basis van cognitieve-motorische ontwikkeling van zuigelingen gebaseerd op een grote populatie van proefpersonen; b) het begrijpen van de neurale basis van de bedoeling van de baby in 'actie en context ", die voorspellend de inkomende behavioral beroep moet zijn; c) het kwantificeren van gemeenschappelijke en unieke neurale patronen om individualiteit en variabiliteit in de ontwikkeling van de hersenen te karakteriseren; en d) het bestuderen van de opkomst van imitatie en leerprocessen. Deze doelstellingen leiden tot de inzet van machine learning algoritmen die kan omgaan met statistisch rijke data zowel informatieve-hersenen ontstaan ​​mogelijkheden en beweging of spier artefacten 12,20,23.

Dit onderzoek probeert in te schatten de corticale bronnen en elektrisch veld potentials met het kind EEG data. Doortechnische problemen zoals het gebrek aan kennis in baby hoofd geleidingswaarden en corticale dikte van materie, de nauwkeurige modellering van de hoofdmodel is een moeilijke taak. Verdere studies zijn nodig voor niet-invasieve regionale weefsel geleidbaarheid schattingen bij zuigelingen 24. Corticale oppervlak segmentatie van zuigeling MRI data vormt een extra uitdaging te wijten aan het slechte contrast in beelden van de ontwikkeling van het menselijk brein 25. Toekomstig onderzoek is nodig om deze problemen aan te pakken en te schatten verschillende neurofysiologische correlaten van zuigeling ontwikkeling en gedrag.

Ten slotte is de voorgestelde experimentele protocol en methoden kunnen in de studie van mensen met ontwikkelingsstoornissen worden ingezet, zoals kinderen met een waarschijnlijke autisme spectrum stoornis (ASS). Bij een dergelijke toepassing is het gewenst een geschikte controlegroep en ontwikkelingsstudies de twee groepen (controle en ASD) karakteriseren omvat zijn. Voor examenple, een studiegroep zou kunnen bestaan ​​uit alle hoog-risico (ASD) kind broers en zussen beoordeeld met de Autism Diagnostic Observation Schedule 26, ernst van de symptomen 27 en de Mullen Scales of Early Learning 28 tot algemene cognitieve vermogen karakteriseren. Indien beschikbaar, diffusie-gewogen MRI-scans ook zou zeer wenselijk 29.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Dit werk werd ondersteund door Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Award # P01 HD064653-01. De inhoud is uitsluitend de verantwoordelijkheid van de auteurs en niet noodzakelijkerwijs het officiële standpunt van de NICHD of de National Institutes of Health.

Materials

BrainAmp Amplifier Brain Products, Gmbh
actiCAP EEG cap- 64 electrodes* Brain Products, Gmbh
actiCAP Control Box Brain Products, Gmbh
Brain Vision Recorder software v1.20.0601 Brain Products, Gmbh
actiCAP Control Box software v1.2.5.2 Brain Products, Gmbh
CapTrak Brain Products, Gmbh
CapTrak software v1.0.0 Brain Products, Gmbh
Opal movement monitor APDM, Inc
Opal docking station APDM, Inc
Opal wireless access point APDM, Inc
Motion Studio software v1.0.0.201503302222 APDM, Inc
Trigger box Custom
Video camera HC-W850M, Panasonic Co.
*The EEG caps come in the following head circumference sizes for infants: 42, 44, 46, 48, 50cm. For this protocol, a stock of 2 caps of each size is recommended. 
DOWNLOAD MATERIALS LIST

References

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -. P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
  4. GmbH Brain Products. . actiCAP Operating Instructions. , (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. , (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8 (2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
  22. Gramann, K., Jung, T. -. P., Ferris, D. P., Lin, C. -. T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. . Autism Diagnostic Observation Schedule. , (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. . Mullen Scales of Early Learning. , (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).

Tags

Neural DecodingSocial InteractionInfant DevelopmentMultimodal NeuroimagingEEGIMUFreely-behavingGoal-oriented BehaviorExplorationCognitionPerceptionAction

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Cruz-Garza, J. G., Hernandez, Z. R., Tse, T., Caducoy, E., Abibullaev, B., Contreras-Vidal, J. L. A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants. J. Vis. Exp. (104), e53406, doi:10.3791/53406 (2015).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image