बच्चों में उच्च घनत्व ईईजी रिकॉर्डिंग के cortical स्रोत विश्लेषण

राष्ट्रपति बराक ओबामा के स्वास्थ्य और अर्थव्यवस्था ³ (http://www.whitehouse.gov/share/brain-initiative) के लिए उच्च महत्व के साथ वैज्ञानिक खोज के अगले सीमा के रूप में मानव मस्तिष्क का वर्णन किया. हालांकि, प्राकृतिक विज्ञान में किसी भी अन्य क्षेत्र की तरह, तंत्रिका विज्ञान की प्रगति के लिए तरीके और विश्लेषण तकनीक के क्षेत्र में प्रगति पर निर्भर करता है. मानव में मस्तिष्क समारोह के बारे में अध्ययन में दो आमतौर पर इस्तेमाल गैर इनवेसिव उपकरण चुंबकीय अनुनाद इमेजिंग (एमआरआई) और (ईईजी) कर रहे हैं. ये उपकरण विभिन्न भौतिक गुणों का दोहन और अद्वितीय फायदे और नुकसान के साथ मस्तिष्क समारोह में विभिन्न अंतर्दृष्टि प्रदान करते हैं. एमआरआई जीवित ऊतकों की छवियों को प्राप्त करने के लिए चुंबकीय क्षेत्र के भीतर पानी के अणुओं के चुंबकीय गुण का उपयोग करता है. विषय उच्च क्षेत्र ताकत के साथ एक चुंबक में रखा जाना चाहिए. प्रतिभागी का आंदोलन इस प्रक्रिया के दौरान प्रतिबंधित है और प्रतिभागी चुंबकीय में तेजी से बदलाव के कारण शोर बर्दाश्त करना पड़ता हैक्षेत्र. संरचनात्मक छवियों के अलावा, एमआरआई भी मस्तिष्क समारोह (fMRI) की जांच के लिए रक्त oxygenation में बदलाव को मापने की संभावना प्रदान करता है. संक्षेप में, एमआरआई आधुनिक उच्च क्षेत्रों स्कैनर और अनुकूलित मापदंडों ⁴ के साथ 0.5 मिमी ³ के अपेक्षाकृत उच्च स्थानिक संकल्प प्रदान करता है. इसके विपरीत, fMRI का अस्थायी समाधान ही परोक्ष रूप से तंत्रिका गतिविधि ^5,6 के उच्च अस्थायी गतिशीलता को दर्शाता है जो बोल्ड प्रतिक्रिया की धीमी कैनेटीक्स तक सीमित है.

दूसरी ओर, ईईजी सिर पर रखा इलेक्ट्रोड के माध्यम से न्यूरॉन्स की गतिविधियों की वजह से बिजली की गतिविधि में परिवर्तन के उपाय. ईईजी प्रौद्योगिकी के क्षेत्र में हाल के अग्रिमों अल्पकालिक या दीर्घकालिक और स्थिर है और साथ ही चल रिकॉर्डिंग के लिए सेंसर का त्वरित और आसान आवेदन की अनुमति. ईईजी कम प्रतिबंधक है, यह भी अच्छी तरह से जैसे एमआरआई वातावरण बर्दाश्त नहीं करते कि कुछ प्रतिभागी आबादी के लिए पसंद की विधि है बाल चिकित्सा और कुछबुढ़ापे और मनोरोग आबादी. ईईजी के गुण एमआरआई के उन लोगों के लिए एक व्युत्क्रम पैटर्न दिखा: अस्थायी समाधान millisecond परिशुद्धता के साथ बहुत अधिक है, लेकिन स्थानिक संकल्प सीमित है. विद्युत धाराओं खोपड़ी की सतह पर उनके जनरेटर और ईईजी इलेक्ट्रोड के बीच विभिन्न ऊतकों के माध्यम से गुजरती हैं. यह मिश्रण और मात्रा चालन प्रभाव के रूप में जाना जाता है स्रोत गतिविधि के स्थानिक smearing की ओर जाता है. इसलिए, खोपड़ी की सतह पर इलेक्ट्रोड से मापा गतिविधि सिर ^1,7 पर इलेक्ट्रोड की स्थिति को दूर किया जा सकता है कि कई स्रोतों से गतिविधि को दर्शाता है.

हाल के वर्षों में काफी काम उनके संबंधित ताकत का लाभ उठाने के क्रम में एमआरआई और ईईजी के विलय के लिए समर्पित किया गया है. काम की एक पंक्ति कार्यात्मक अध्ययन में ईईजी और एमआरआई के एक साथ अधिग्रहण के लिए समर्पित है. एक और दृष्टिकोण मात्रा सी के खाते में लेने के लिए संरचनात्मक एमआरआई द्वारा प्रदान स्थानिक जानकारी का उपयोग करने के लिए हैonduction biophysical मॉडलिंग के माध्यम से प्रभाव. ईईजी रिकॉर्डिंग के स्रोत पुनर्निर्माण के लिए संरचनात्मक जानकारी का उपयोग एक बाल चिकित्सा आबादी शामिल अध्ययन के लिए विशेष रूप से उपयोगी है. मस्तिष्क समारोह के विकास की जांच जटिल संज्ञानात्मक कौशल सरल व्यापारियों ⁸ के शीर्ष पर बना रहे हैं कि कैसे को समझने के लिए केंद्रीय है.

इन जांच व्यवहार प्रदर्शन में परिवर्तन के साथ सहसंबंधी कि तंत्रिका substrates और प्रतिक्रिया गुणों में परिवर्तन को उजागर करने के लिए मदद करते हैं. हालांकि, विकास के दौरान मस्तिष्क समारोह और अनुभूति की जांच भी विशिष्ट चुनौतियों poses. विशेष रूप से, कार्यात्मक एमआरआई अध्ययन के लिए अवसर छोटे बच्चों और शिशुओं सो या आंदोलन कलाकृतियों और भागीदार भलाई पर नकारात्मक प्रभाव के बिना एमआरआई डेटा प्राप्त करने के लिए बेहोश करने की है या तो के रूप में सीमित है. इसके अलावा, ईईजी अनुसंधान प्रतिभागियों की भर्ती को आसान बना देता है, जो माता – पिता द्वारा कम जोखिम भरा है और आक्रामक रूप में माना जाता है. टीherefore, ईईजी युवा बच्चों में मस्तिष्क समारोह के कई जांच के लिए पसंद की विधि है. ईईजी सिस्टम में भी प्रक्रिया अग्रिम मिनट के भीतर 128 या अधिक चैनलों के साथ उच्च घनत्व इलेक्ट्रोड सरणियों का आवेदन देते हैं. आवेदन और आराम पहनने की आसानी भी कम उम्र के शिशुओं में ईईजी रिकॉर्डिंग की अनुमति के लिए पर्याप्त हैं. हालांकि, कई बार शोधकर्ताओं ने न केवल विशेष उत्तेजनाओं को प्रतिक्रियाओं के अस्थायी गतिशीलता में रुचि रखते हैं, लेकिन यह भी प्रतिक्रियाओं मध्यस्थता कि तंत्रिका substrates तुलना करना चाहते हैं.

विभिन्न आयु समूहों की तुलना चैनल स्तर ईआरपी विश्लेषण में एक प्रचलित धारणा ही तंत्रिका substrates कि प्रतिक्रिया है, लेकिन समय या प्रतिक्रिया आयाम उम्र ⁹ भर में बदलता है. इसी प्रकार की खोपड़ी स्थलाकृति अक्सर समान अंतर्निहित तंत्रिका गतिविधि का एक संकेतक के रूप में प्रयोग किया जाता है. हालांकि, कई अलग स्रोत विन्यास समान खोपड़ी topographies ¹⁰ हो सकती है. स्रोत आकलन को लागू करके, इस uncertainty कम और मात्रा निर्धारित किया जा सकता है. टिप्पणियों की स्वतंत्रता मस्तिष्क समारोह का नेटवर्क खातों के लिए महत्वपूर्ण है: सूत्रों मिश्रित कर रहे हैं, तो सहसंबंध उच्च स्थानीय कनेक्टिविटी के प्रति पक्षपाती किया जाएगा. स्रोत पुनर्निर्माण इस पूर्वाग्रह ¹¹ कम करने के लिए लागू किया जा सकता है. वैकल्पिक रूप से, समय और चरण में मतभेद कनेक्टिविटी विश्लेषण के लिए इस्तेमाल किया जा सकता है, लेकिन इन गणितीय मॉडल गैर नकली डेटा ¹² में मूल्यांकन करने के लिए मेहनत कर रहे हैं कि मान्यताओं की आवश्यकता होती है. संक्षेप में, स्रोत आकलन शरीर रचना और ऊतकों की biophysical गुणों के बारे में ज्ञान के आधार पर चैनल स्तर ईईजी और ईआरपी विश्लेषण करने के लिए अतिरिक्त जानकारी प्रदान करता है.

विभिन्न एल्गोरिदम उलटा समस्या का समाधान खोजने के लिए तैयार किया गया है. पैरामीट्रिक और गैर पैरामीट्रिक ^13: इन एल्गोरिदम दो श्रेणियों में मोटे तौर पर गिर जाते हैं. पैरामीट्रिक मॉडल एक या स्थान, अभिविन्यास और ताकत में भिन्न हो सकते हैं कि कई द्विध्रुव मान. इसके विपरीत, गैर पैरामीट्रिक मॉडल contaiNA बड़ी तय स्थान और अभिविन्यास के साथ द्विध्रुव की संख्या. इन मॉडलों में, खोपड़ी विद्युत गतिविधि तय द्विध्रुव ^10,13,14 में activations के संयोजन के रूप में समझाया है. गैर पैरामीट्रिक, वितरित स्रोत मॉडल विभिन्न मीडिया में शरीर रचना और चालकता के बारे में ज्ञान के आधार पर किया जा सकता है. सीमा तत्व मॉडल मस्तिष्क, Cerebro रीढ़ की हड्डी में तरल पदार्थ, और खोपड़ी के लिए विभिन्न गोले के साथ सिर के मुख्य ऊतकों के लिए चालकता मूल्यों को शामिल. इस चालकता प्रत्येक डिब्बे के भीतर ज्यादातर स्थिर है, लेकिन है कि चिह्नित परिवर्तन अलग डिब्बों की सीमा पर होती है कि इस धारणा पर आधारित है. चालकता मूल्यों प्रत्येक voxel ¹⁵ को सौंपा जा सकता है, ताकि परिमित तत्व मॉडल ग्रे और सफेद पदार्थ में एमआर स्कैन के आगे विभाजन पर आधारित हैं.

व्यावहारिक दृष्टि से, गैर पैरामीट्रिक मॉडल, जटिल संज्ञानात्मक कार्यों में स्रोत पुनर्निर्माण के लिए विशेष रूप से उपयोगी होते हैं शामिल क्षेत्रों की संख्या जो हो सकता है में¹⁰ ज्ञात नहीं हो. अधिक सटीक परिमित तत्व मॉडल comparably उच्च कम्प्यूटेशनल मांगों मुद्रा शायद क्योंकि सीमा तत्व मॉडल सबसे व्यापक रूप से, वर्तमान साहित्य में उपयोग किया जाता है. FEMs व्यक्ति एमआरआई स्कैन के आधार पर किया जाना चाहिए ताकि आगे, ग्रे और सफेद मामले में काफी अंतर व्यक्तिगत परिवर्तनशीलता है.

गैर पैरामीट्रिक मॉडल आगे मॉडल की भविष्यवाणी करने के लिए खोपड़ी मापा गतिविधि मिलान के लिए एक दूसरे चरण की आवश्यकता होती है. फिर, अलग फायदे और कमियों के साथ अलग अलग दृष्टिकोण (एक सिंहावलोकन के लिए मिशेल एट अल. 2004 देखें) साहित्य में चर्चा की गई है. सबसे व्यापक रूप से इस्तेमाल किया एल्गोरिदम सबसे कम समग्र तीव्रता ¹⁶ के साथ आगे मॉडल में एक मौजूदा वितरण के लिए खोपड़ी मापा गतिविधि से मेल खाता है, जो न्यूनतम मानदंड आकलन (MNE) पर आधारित हैं. MNE कमजोर और सतही स्रोतों की ओर झुका हुआ है. गहराई भारित MNE एल्गोरिदम भार शुरू करने से सतह पूर्वाग्रह को कम करने की कोशिशगणितीय मान्यताओं ^{से 10} के आधार पर matrices. व्यापक रूप से इस्तेमाल Loreta दृष्टिकोण भी भारित MNE पर आधारित है, लेकिन इसके साथ ही चिकनी समाधान ^17,18 की ओर जाता है जो सूत्रों के Laplacian, कम से कम है. Loreta अनुकरण पढ़ाई ^19,20 में एकल स्रोतों के लिए सबसे अच्छा प्रदर्शन करने के लिए पाया गया है. हालांकि, Loreta समाधान के समरेखण से अधिक हो सकता है. सूत्रों अनजान हैं या कई स्रोतों ^{से 13, 16} से उपस्थित होने की संभावना है जब गहराई भारित MNE बेहतर है. विभिन्न मॉडल मान्यताओं के प्रभाव का मूल्यांकन करने के लिए विभिन्न एल्गोरिदम के परिणामों की तुलना की सिफारिश की है.

संक्षेप में, मॉडलिंग तरीकों के माध्यम से स्रोत पुनर्निर्माण हाल ही में जब तक बच्चों के लिए सीमित किया गया है. सबसे ईईजी विश्लेषण सॉफ्टवेयर काफी हद तक बच्चों ^2,8 में स्रोत समाधान की सटीकता की सीमा है कि वयस्क शरीर रचना विज्ञान पर आधारित सिर मॉडल पर निर्भर करता है क्योंकि यह है. कम्प्यूटेशनल शक्ति और प्रावधान के लिए सस्ती पहुँचस्रोत पुनर्निर्माण के लिए उपयोगकर्ता के अनुकूल सॉफ्टवेयर यह संभव है कि इन सीमाओं को पार करने के लिए बनाते हैं. ईईजी स्रोत आकलन लागू करने से अकेले चैनल स्तर टिप्पणियों पर आधारित विश्लेषण पर दो महत्वपूर्ण लाभ प्रदान करता है: स्थानिक संकल्प और टिप्पणियों की स्वतंत्रता में सुधार हुआ.

स्रोत आकलन कुछ मामलों में जानकारीपूर्ण नहीं हो सकता: सिर की अच्छी कवरेज के सूत्रों भेद करने के लिए आवश्यक है. 128 या अधिक इलेक्ट्रोड के साथ उच्च घनत्व सिस्टम ^10,15 सिफारिश कर रहे हैं; एक sparser कवरेज अधिक व्यापक प्रसार स्रोत सक्रियण या झूठी नकारात्मक परिणाम ¹⁰ के प्रमुख स्थानिक फिल्टर के रूप में कार्य करेगा. इसके अलावा, इस आलेख में वर्णित विधि पर आधारित स्रोत पुनर्निर्माण केवल cortical जनरेटर के लिए सूचित किया गया है. इसलिए, यह subcortical substrates या cortical subcortical बातचीत के बारे में परीक्षण परिकल्पना के लिए कम उपयुक्त है. अन्त में, स्रोत विश्लेषण, cortical substrates के बारे में विस्तृत पूर्व परिकल्पना पर आधारित होना चाहिएखाते में अन्य इमेजिंग तौर तरीकों से मौजूदा साहित्य ले रही है. स्थानिक फ़िल्टरिंग तकनीक भी खोपड़ी स्तर पर स्थानिक मिश्रण को कम करने से ईईजी संकेत के स्थानिक संकल्प में सुधार करने के लिए इस्तेमाल किया जा सकता है. सिर मॉडलिंग बिना मात्रा चालन प्रभाव के प्रभाव को कम करने के लिए वैकल्पिक तरीकों का इस्तेमाल किया जाता जैसे, Laplacian छानने ²¹ या वर्तमान स्रोत घनत्व विश्लेषण ^22. मात्रा चालन प्रभाव नहीं ही कर रहे करीब स्थानिक निकटता ¹ में सेंसर के लिए प्रतिबंधित के रूप में हालांकि, इन तरीकों तंत्रिका जनरेटर के बारे में अधिक जानकारी प्रदान नहीं करते हैं.

निम्न अनुभाग में, लेख मस्तिष्क और उम्र के 2 साल से बच्चों में संज्ञानात्मक समारोह की जांच के लिए प्रयोगों लंदन बेबी लैब में तैयार कर रहे हैं कैसे करें. अगला, बच्चों के साथ उच्च घनत्व कम प्रतिबाधा सिस्टम के साथ ईईजी डाटा अधिग्रहण पर चर्चा की है. फिर, चैनल स्तर पर ईईजी preprocessing और विश्लेषण प्रस्तुत किया है. Lastlवाई, लेख cortical स्रोत पुनर्निर्माण और स्रोत स्तर संकेतों के विश्लेषण के लिए संरचनात्मक एमआरआई डेटा के प्रसंस्करण पर केंद्रित है.