Summary

Corticale Fonte Analisi di alta densità EEG registrazioni nei bambini

Published: June 30, 2014
doi:

Summary

In recent years, there has been increasing interest in estimating the cortical sources of scalp measured electrical activity for cognitive neuroscience experiments. This article describes how high density EEG is acquired and how recordings are processed for cortical source estimation in children from the age of 2 years at the London Baby Lab.

Abstract

EEG è tradizionalmente descritto come una tecnica neuroimaging con elevata risoluzione spaziale e temporale basso. I recenti progressi nella modellazione biofisica e di elaborazione del segnale permettono di sfruttare informazioni provenienti da altre modalità di imaging come la risonanza magnetica strutturale che forniscono ad alta risoluzione spaziale per superare questo vincolo 1. Ciò è particolarmente utile per le indagini che richiedono alta risoluzione nel temporale e dominio spaziale. Inoltre, a causa dell'applicazione facile e basso costo di registrazioni EEG, EEG è spesso il metodo di scelta quando si lavora con popolazioni, come i bambini, che non tollerano MRI funzionale analizza bene. Tuttavia, al fine di indagare quali substrati neurali sono coinvolte, informazioni anatomiche da MRI strutturale è ancora necessaria. La maggior parte dei pacchetti di analisi EEG lavorano con modelli standard di testa che si basano su adulto anatomia. L'accuratezza di questi modelli quando usato nei bambini è limitata 2, perché il comPosition e la configurazione spaziale della testa tessuti cambia notevolmente nel corso dello sviluppo 3.

Nel presente documento, forniamo una panoramica del nostro recente lavoro utilizzando modelli di testa basato su singole scansioni MRI strutturali o di età modelli di testa specifici per ricostruire i generatori corticali di EEG ad alta densità. Questo articolo descrive come le registrazioni EEG vengono acquisiti, elaborati e analizzati con popolazione pediatrica al London Baby-Lab, tra cui l'installazione di laboratorio, progettazione compito, EEG pre-elaborazione, trasformazione risonanza magnetica, e il livello dei canali EEG e analisi sorgente.

Introduction

Il presidente Barack Obama ha descritto il cervello umano come la prossima frontiera della scoperta scientifica con l'alta importanza per la salute e l'economia 3 (http://www.whitehouse.gov/share/brain-initiative). Tuttavia, come ogni altro campo nelle scienze naturali, neuroscienze dipende progressi nelle metodologie e tecniche di analisi per il progresso. Due strumenti invasivi non comunemente utilizzati in studi sulla funzione del cervello negli esseri umani sono la risonanza magnetica (MRI) ed elettroencefalografia (EEG). Queste strumento di sfruttare diverse proprietà fisiche e fornire diversi spunti in funzione del cervello, con vantaggi e svantaggi. RM utilizza le proprietà magnetiche delle molecole di acqua all'interno di campi magnetici per ottenere immagini di tessuti viventi. Il soggetto deve essere posto in un magnete con elevata intensità di campo. Il movimento del partecipante è limitato durante queste procedure e il partecipante deve tollerare il rumore causato dai rapidi cambiamenti del magneticocampo. Oltre alle immagini strutturali, RM fornisce anche la possibilità di misurare le variazioni di ossigenazione del sangue per studiare la funzione del cervello (fMRI). In sintesi, MRI offre relativamente elevata risoluzione spaziale fino a 0,5 mm 3 con moderni campi ad alta scanner e parametri ottimizzati 4. In contrasto, la risoluzione temporale della fMRI è limitata alla cinetica lenta della risposta BOLD, che riflette solo indirettamente l'alta dinamica temporale di attività neurale 5,6.

D'altra parte, EEG misura le variazioni nell'attività elettrica causata dall'attività dei neuroni attraverso elettrodi posti sul cuoio capelluto. I recenti progressi nella tecnologia EEG permette un'applicazione rapida e semplice dei sensori per breve o lungo termine e fissi così come le registrazioni ambulatoriali. Perché EEG è meno restrittiva, è anche il metodo di scelta per alcune popolazioni partecipanti che non tollerano l'ambiente MRI bene come pediatrica e certopopolazioni geriatriche e psichiatriche. Le proprietà di EEG mostrano un pattern inverso a quelli della MRI: la risoluzione temporale è molto alta con precisione micrometrica, ma la risoluzione spaziale è limitata. Correnti elettriche passano attraverso diversi tessuti tra loro generatore e gli elettrodi EEG sulla superficie del cuoio capelluto. Questo porta a miscelazione e sbavature spaziale dell'attività sorgente noto come effetto di conduzione volume. Pertanto l'attività misurata dagli elettrodi sulla superficie del cuoio capelluto riflette l'attività da molteplici fonti che potrebbero essere lontana alla posizione dell'elettrodo sulla testa 1,7.

Molto lavoro negli ultimi anni è stata dedicata alla fusione di MRI e EEG, al fine di sfruttare i loro rispettivi punti di forza. Una linea di lavoro è dedicata alla acquisizione simultanea di EEG e RM in studi funzionali. Un altro approccio è quello di utilizzare le informazioni spaziali fornite dalla MRI strutturale per tener conto del volume conduction effetto attraverso la modellazione biofisica. L'uso delle informazioni strutturali per la ricostruzione fonte di registrazioni EEG è particolarmente utile per studi condotti su un pediatrico. L'indagine dello sviluppo della funzione cerebrale è fondamentale per capire come le abilità cognitive complesse sono costruite sulla cima di precursori semplici 8.

Queste indagini aiutano a evidenziare cambiamenti nei substrati neurali e le proprietà di risposta che correlano con i cambiamenti nelle prestazioni comportamentali. Tuttavia, l'indagine delle funzioni cerebrali e cognitive durante lo sviluppo pone anche sfide specifiche. In particolare, la possibilità per gli studi di risonanza magnetica funzionale è limitata come i bambini piccoli ei neonati devono o essere addormentato o sedato per ottenere i dati di risonanza magnetica senza artefatti da movimento e l'impatto negativo sul benessere dei partecipanti. Inoltre, EEG è percepita come meno rischioso e invasivo da parte dei genitori, che rende il reclutamento dei partecipanti alla ricerca più facile. Therefore, EEG è il metodo di scelta per molte indagini della funzione cerebrale nei bambini piccoli. Progressi metodologici nei sistemi EEG permettono l'applicazione di schiere di elettrodi ad alta densità con 128 o più canali in pochi minuti. Facilità di applicazione e comfort sono sufficienti per consentire anche la registrazione EEG nei neonati più giovani. Tuttavia, spesso i ricercatori non sono solo interessati alle dinamiche temporali delle risposte a particolari stimoli, ma vorrebbe anche di confrontare i substrati neurali che mediano le risposte.

Una ipotesi prevalente nel livello del canale di analisi ERP confronto diverse fasce di età è che gli stessi substrati neurali rispondono, ma che il tempo o l'ampiezza di risposta varia a seconda dei secoli 9. Simile cuoio capelluto topografia viene spesso utilizzato come indicatore di simile attività neurale sottostante. Tuttavia, molte configurazioni di base diversi possono portare a simili topografie cuoio capelluto 10. Applicando la stima di origine, questo Uncertainty può essere ridotto e quantificato. L'indipendenza delle osservazioni è fondamentale per gli account di rete della funzione cerebrale: se le fonti sono mescolati, le correlazioni saranno sbilanciata verso una maggiore connettività locale. Fonte ricostruzione può essere applicata per ridurre questa distorsione 11. In alternativa, sfasamenti temporali e di fase possono essere utilizzati per l'analisi connettività, ma questi modelli matematici richiedono ipotesi che sono difficili da valutare in dati non simulati 12. In sintesi, la stima fonte fornisce informazioni aggiuntive a livello del canale EEG e analisi ERP basata sulla conoscenza dell'anatomia e della proprietà biofisiche del tessuto.

Diversi algoritmi sono stati ideati per trovare soluzioni al problema inverso. Questi algoritmi rientrano in generale in due categorie: parametrici e non parametrici 13. Modelli parametrici assumono uno o più dipoli che possono variare in posizione, l'orientamento e la forza. Al contrario, non modelli parametrici contena gran numero di dipoli con postazione fissa e orientamento. In questi modelli, l'attività elettrica del cuoio capelluto è spiegata come una combinazione di attivazioni in dipoli fissi 10,13,14. Non parametrica, modelli di origine distribuiti possono essere basati sulle conoscenze di anatomia e conducibilità in diversi media. Modelli Boundary Element incorporano valori di conducibilità per i principali tessuti della testa con diversi proiettili per il cervello, il liquido cerebro-spinale, e del cranio. Questo si basa sul presupposto che la conducibilità è pressoché costante all'interno di ciascun compartimento, ma che si verificano notevoli cambiamenti al confine di diversi scomparti. Modelli ad elementi finiti sono basati su un ulteriore segmentazione di esami di risonanza magnetica nella materia grigia e bianca in modo che i valori di conducibilità possono essere assegnati a ciascun voxel 15.

In termini pratici, modelli non parametrici sono particolarmente utili per la ricostruzione fonte in compiti cognitivi complessi, in cui il numero delle aree interessate possononon essere conosciuto 10. Modelli ad elementi di contorno sono più utilizzati nella letteratura corrente, probabilmente perché i più accurati modelli agli elementi finiti pongono relativamente elevate esigenze computazionali. Inoltre, vi è una notevole variabilità individuale tra nella materia grigia e bianca in modo che FEM dovrebbe basarsi sui singoli scansioni MRI.

Modelli non parametrici richiedono una seconda fase per la corrispondenza del cuoio capelluto attività misurata alle previsioni del modello in avanti. Ancora una volta, approcci differenti con differenti vantaggi e svantaggi sono stati discussi in letteratura (vedi Michel et al. 2004 per una panoramica). Gli algoritmi più utilizzati sono basate sulla stima norma minima (MNE), che corrisponde al cuoio capelluto attività misurata ad una distribuzione di corrente nel modello in avanti con l'intensità globale più basso 16. MNE è sbilanciata verso le fonti deboli e superficiali. Profondità algoritmi MNE ponderati cercano di ridurre il bias superficie con l'introduzione di pesimatrici basate su ipotesi matematiche 10. L'approccio LORETA ampiamente utilizzato si basa anche sul pesata MNE, ma riduce inoltre il laplaciano di fonti, che porta a soluzioni uniformi 17,18. LORETA è stata trovata a svolgere meglio per singole sorgenti in studi di simulazione 19,20. Tuttavia, LORETA può comportare oltre lisciatura di soluzioni. Profondità ponderata MNE è preferibile quando le fonti sono sconosciute o più fonti sono suscettibili di essere presente il 13, 16. Confrontando i risultati di diversi algoritmi per valutare l'influenza delle diverse ipotesi di modello è raccomandato.

In sintesi, la ricostruzione fonte attraverso metodi di modellazione è stato limitato per i bambini fino a poco tempo. Questo perché la maggior parte dei software di analisi EEG si basa su modelli di testa basato su adulto anatomia che limita notevolmente la precisione delle soluzioni origine nei bambini 2,8. L'accesso a buon mercato per potenza di calcolo e la fornitura disoftware facile da usare per la ricostruzione di origine permettono di superare queste limitazioni. Applicando la stima sorgente alla EEG offre due importanti vantaggi rispetto analisi basate su osservazioni del livello del canale da solo: migliore risoluzione spaziale e l'indipendenza delle osservazioni.

Stima di origine non può essere informativo in alcuni casi: buona copertura della testa è necessaria per distinguere fonti. Sistemi ad alta densità con 128 o più elettrodi sono raccomandati 10,15; una copertura rada agirà come un filtro spaziale che porta alla più ampia attivazione fonte diffusione o falsi negativi 10. Inoltre, ricostruzione source basato sul metodo descritto in questo articolo è stato riportato solo per generatori corticali. Pertanto, è meno adatto per la verifica di ipotesi circa i substrati sottocorticali o interazioni subcorticali corticali. Infine, l'analisi fonte dovrebbe essere basata su ipotesi precedenti dettagliate sui substrati corticali,prendendo la letteratura esistente da altre modalità di imaging in considerazione. Tecniche di filtraggio spaziale può essere utilizzato anche per migliorare la risoluzione spaziale del segnale EEG riducendo miscelazione spaziale a livello cuoio capelluto. Vengono utilizzati metodi alternativi per ridurre l'influenza degli effetti di conduzione del volume senza modellazione testa, ad esempio, Laplacian filtraggio 21 o attuale analisi Sorgente di densità 22. Tuttavia, questi metodi non forniscono maggiori informazioni per generatori neurali come effetti di conduzione del volume non sono solo limitati a sensori in prossimità spaziale 1.

Nelle sezioni seguenti, l'articolo descrive come gli esperimenti per lo studio del cervello e della funzione cognitiva nei bambini dai 2 anni di età sono progettati al London Baby-Lab. Avanti, acquisizione dati EEG con i sistemi a bassa impedenza ad alta densità con bambini è discusso. Poi, EEG pre-elaborazione e analisi sul livello del canale è presentato. Lastly, l'articolo si concentra sul trattamento dei dati MRI strutturali per la ricostruzione di origine corticale e l'analisi dei segnali di livello sorgente.

Protocol

1. Designing EEG & Event related potential experiments for children Note: A simple experiment was designed for the purposes of this article that may be used to investigate face processing in young children. The following section will describe the experiment and explain how to implement it using MATLAB R2012b and Psychtoolbox V3.0.1123,24.  Pictures taken from the NimStim set of emotional facial expression25 were used for this example. This stimulus set is avai…

Representative Results

Designing ERP experiments for infants and children is often challenging, because of their limited capacity to tolerate long repetitive experiments30. This problem is further aggravated when the experimenter plans to apply source reconstruction, because accurate source reconstruction will require a high signal to noise ratio1. Figure 1 displays an experimental protocol for the investigation of face processing mechanisms that can be used with very young children. The paradigm is adapt…

Discussion

The present article describes the recording and analysis of high density EEG for reconstruction of cortical generators using boundary element models based on age appropriate average MRI templates and depth weighted minimum norm estimation in a standard ERP paradigm suitable for children. In this paradigm, pictures of faces and scrambled faces are presented. Different authors used this paradigm to investigate the development of face processing mechanisms over development35. On the channel level, more negative d…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

We want to thank Prof. John Richards, University of South Carolina, for granting us access to the Developmental MRI database and helpful discussions. We would also like to thank our funders Great Ormond Street Children’s Charity, UCL Impact & Grand Challenges.

Materials

High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software Matlab R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software Matlab R2012b The Mathworks Inc., 
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et al. 2010
Referenzen
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.

Referenzen

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O’Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Play Video

Diesen Artikel zitieren
Bathelt, J., O’Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

View Video