Применение данных ЭЭГ нейровизуализации: связанные с событиями потенциалы, спектральной мощности и многомасштабное Энтропия

Цифры 1А и 2А представляют сигнал ЭЭГ в ответ на представления изображения лица. Усредненные, как испытания производит сигнал ERP, которая состоит из ряда положительных и отрицательных отклонений называемые ERP компонентов. Рис. 1В иллюстрирует усредненный сигнала для одного субъекта и 6А иллюстрирует общее среднее сигнала для группы испытуемых. Существует богатая литература, которая относится каждый компонент ERP к конкретному восприятия, двигатель, или когнитивных операций. Например, N170 является отрицательным отклонением, что пики при примерно 170 мс после начала стимула и участвует в лице обработка 8,15. Фиг.2В иллюстрирует разложение того же сигнала ЭЭГ в полосы частотного компонента. Результаты спектрального анализа мощности раскрытия частотного содержание сигнала (рис. 2C), в результате чегоУвеличение мощности на конкретной частоте отражает увеличение в присутствии что ритм в ЭЭГ сигнала. Как спектральной мощности, MSE чувствительна к сложности колебательный элементов, которые способствуют сигнала. Однако, в отличие спектральной мощности, MSE также чувствительна к взаимодействия между частотных компонентов (т.е. нелинейной динамики 18). Сложность ЭЭГ сигнал представлен как функция образец энтропии (рис. 5) в течение нескольких временных масштабах (рис. 4). Как показано на рисунке 3, образец энтропии мал для сигналов и увеличивается со степенью сигнала случайности. В отличие от традиционных энтропии мер, которые с увеличением степени случайности, многомасштабная энтропии способна различить сложные сигналы от белого шума, рассматривая энтропию на нескольких временных масштабах. Например, Коста и др.., 2005 году по сравнению многомасштабная энтропия F значенияили некоррелированного (белый) шум против коррелированные (розовый) шум. В то время как энтропия образца было больше для белого шума, чем розовый шум в прекрасных сроки, противоположной наблюдается при грубых сроки 5-20. Другими словами, когда энтропия считалось нескольких временных масштабах, истинная сложность сигналов был более точно представлены, чем было бы, если только один шкале времени считалось. В зависимости от временной динамики конкретного Напротив, условие эффекты могут быть выражены: 1) таким же образом, во всех временных масштабах, 2) в некоторой сроки, но не другом, или 3) в качестве кроссовера эффектов при этом отличие отличается на тонкий по сравнению с грубыми сроки. На рисунке 6 приведена различий в состоянии ERP (рис. 6А), спектральной мощности (рис. 6В), MSE (рис. 6С) контрастные соотношение первичных и повторных презентаций лице фотографиях 9. В этом примере все меры конвергентных выявитьтот же эффект, однако наблюдаемое уменьшение энтропии образца, который сопровождает лицо повторение важно, поскольку оно ограничивает интерпретацию результатов. Уменьшение сложности предполагает, что основной функциональной сети проще и способна обрабатывать меньше информации. 7 иллюстрирует статистических результатов многомерного анализа частичных наименьших квадратов 11 применяется к ERP, спектральной мощности и MSE. Эксперимент манипулировали знакомство связано с разными лицами (Heisz соавт., 2012). Контрастность (гистограмма) показывает, что амплитуда ERP отличается новыми лицами из знакомых лиц, но не среди знакомых лиц, которые варьировались в размере до экспозиции. Спектральной мощности отмеченным граням согласно полученным знакомство, но не точно различать лица среднего и низкого фамильярности. MSE был наиболее чувствительным к состоянию, что различия в образце увеличении значения энтропииЭд с увеличением лицом фамильярности. Изображение участков захватить пространственно-временного распределения состоянии эффекта во всех электродов и времени / частоты / сроки. Этот пример показывает ситуацию, в которой анализ ЭЭГ MSE производится уникальную информацию, которая не была получена с использованием традиционных методов ERP или спектральной мощности. Это расхождение MSE предполагает, что условия отличаются по нелинейной аспектах их динамика сети, возможно, с взаимодействий между различными компонентами частоты. Рисунок 1.) ЭЭГ реакции одного субъекта в зависимости от амплитуды отклонения от исходного уровня для каждого испытания в зависимости от времени от начала испытания. Каждое испытание состояло из презентации фотографию изображения лица. Положительные отклонения амплитуды изображены накрасные; отрицательные отклонения амплитуды изображены синим цветом. Все исследования показывают положительное отклонение около 100 мс и 250 мс, что указывает на событийные фазовой автоподстройки деятельности. B) усреднения во всех испытаниях показано на рисунке 1A производит усредненный сигнал с различными ERP положительные и отрицательные отклонения называются события связанные с ним компоненты и назвал в соответствии со стандартной номенклатурой. Например, P1 первый положительный происходит компонента и N170 является отрицательным компонентом, который пики при примерно 170 мс после начала стимула. Рисунок 2.) ЭЭГ ответ одного субъекта в течение одного судебного разбирательства заговоре амплитудой по времени (в данных точках, частота дискретизации 512 Гц). B) ЭЭГ реакции полосового Рисунок 2А фильтруют, чтобы выделить полосы частот дельта(0-4 Гц), тета (5-8 Гц), альфа (9-12 Гц), бета (13-30 Гц) и гамма (> 30 Гц). С) Спектральная плотность мощности ЭЭГ ответ показано на рисунке 2A представляющих частотный состав сигнала как функции мощности по частоте. Увеличение спектральной мощности на конкретной частоте отражает увеличение количества синхронно активных нейронов захваченным этой конкретной полосе частот. Нажмите здесь, чтобы увеличить рисунок . Рисунок 3) Два моделируемых сигналов:.. Регулярной или предсказуемым сигнала изображен на фиолетовый, а также более стохастического сигнала изображен в черном B) Пример значения энтропии двух моделируемых сигналов в течение первых трех сроков. Пример предпринимательствуКопировать низка для очень предсказуемые сигналов, чем больше стохастических сигналов. Нажмите здесь, чтобы увеличить рисунок . Рисунок 4. Понижения частоты дискретизации исходного временного ряда создает несколько временных рядов различной сроки. Шкала времени 1 исходного временного ряда. Временных рядов сроки 2 создается путем деления исходного временного ряда на не перекрывающиеся окна длиной 2 и средней точки данных в пределах каждого окна. Для создания временной ряд последующих сроков, разделите исходного временного ряда на непересекающиеся окна шкалы времени и средней длины данных точек в каждом окне. Рисунок 5. Имитация сигнала где каждый прямоугольник представляет собой единую точку данных во временных рядах. Пример энтропия оценивает изменчивость временных рядов. В данном примере м (длина паттерна) установлен на два, что означает, что дисперсия амплитуды образец каждого временного ряда будет представлена ​​в двумерном против трехмерном пространстве с учетом конфигураций последовательностей из двух против трех последовательных точек данных соответственно; г (критерием подобия) отражает диапазон амплитуд (обозначается высоту цветные полосы), в которой точки данных считаются "совпадает". Для расчета энтропии образца для этого моделируются временные ряды, начинаются с первых двухкомпонентная модель последовательности, красно-оранжевый. Во-первых, подсчет количества раз красно-оранжевого последовательность шаблон происходит во временном ряду, есть 10 матчей для этого двухкомпонентного последовательности. Во-вторых, подсчет количества раз первый трехкомпонентной последовательность шаблон, красно-оранжевого крикомой, происходит во временных рядах, есть 5 матчей для этой трехкомпонентной последовательности. Продолжайте таким образом на следующий двухкомпонентный последовательности (оранжево-желтый) и трехкомпонентный последовательности (оранжево-желто-зеленый). Количество двухкомпонентной матчей (5) и трехкомпонентный матчей (3) для этих последовательностей будут добавлены в предыдущих значений (общее двухкомпонентной матчей = 15, общее трехкомпонентной матчей = 8). Повторите для всех других матчах последовательность временных рядов (до N – M), чтобы определить общее отношение двухкомпонентных матчей трехкомпонентной матчей. Пример энтропия натуральный логарифм этого отношения. Для каждого предмета, вычислить канал конкретную оценку MSE как среднее по одной меры энтропии суда для каждого сроки. Рисунок 6. Условие различий в ERP (А), спектральной мощности (В)MSE (C) контрастные соотношение первичных и повторных презентаций лица фотографиях. Нажмите здесь, чтобы увеличить рисунок . Рисунок 7. Контрастные ЭЭГ узнали ответ на лицах всей меры ERP, спектральной мощности и многомасштабные энтропии. Гистограммы изобразить контраст между условиями, определяемыми частичного анализа методом наименьших квадратов 11. Изображение сюжета подчеркивает пространственно-временное распределение, при котором этот контраст был наиболее стабильными согласно начальной загрузки. Значения представляют ~ Z баллы и отрицательные значения обозначают значение для обратного эффекта состоянии. Нажмите здесь, чтобы увеличить рисунок .