Según los Estados y análisis de complejidad de Omega de la electroencefalografía de estado descansando
Summary
Este artículo describe el protocolo subyacente electroencefalografía (EEG) microestado análisis y análisis de complejidad de omega, que son dos medidas de EEG de referencia gratuita y muy valiosa para explorar los mecanismos neurales de los trastornos cerebrales.
Abstract
Complejidad según los Estados y omega son dos medidas de referencia libre de electroencefalografía (EEG) que pueden representar la complejidad temporal y espacial de los datos de EEG y han sido ampliamente utilizadas para investigar los mecanismos neuronales en algunos trastornos cerebrales. El objetivo de este artículo es describir el protocolo subyacente EEG microestado y omega complejidad análisis paso a paso. La principal ventaja de estas dos medidas es que podría eliminar el problema de referencia dependientes inherente al análisis de espectro tradicional. Además, análisis de microestado hace buen uso de la hora de resolución de EEG estado descansando, y las cuatro clases de microestado obtenidos podrían coincidir respectivamente con las correspondientes redes de estado descansando. La complejidad de omega caracteriza la complejidad espacial del cerebro entero o las regiones específicas del cerebro, que tiene evidente ventaja en comparación con las medidas de complejidad tradicional centrado en la complejidad de la señal en un solo canal. Estas dos medidas de EEG podrían complementarse para investigar la complejidad cerebral del dominio espacial y temporal respectivamente.
Introduction
Electroencefalografía (EEG) ha sido ampliamente utilizada para registrar la actividad eléctrica del cerebro humano tanto en diagnóstico clínico e investigación científica, ya que es no invasivo, bajo costo calculado y tiene una resolución temporal muy alta1. Con el fin de estudiar las señales de EEG en estado de reposo, los investigadores han desarrollado muchas EEG técnicas (por ejemplo, análisis de espectro de potencia, análisis de conectividad funcional)2,3. De estos, microestado análisis y complejidad de omega podrían hacer un buen uso de la información espacial y temporal inherentes en las señales de EEG4.
Investigaciones anteriores han demostrado que aunque la distribución topográfica de las señales EEG varía con el tiempo en ojo cerrado ojo-libre estado de descanso, la serie de mapas momentáneos muestra cambios discontinuos de paisajes, es decir, periodos de estabilidad alternados con períodos de transición corto entre algunos cuasi-estable de topografías de EEG5. Microestados se definen como estos episodios con topografías cuasi-estables de la EEG, que durar entre 80 y 120 ms1. Puesto que diferentes paisajes de potencial eléctricos deben se han generado por diversas fuentes neuronales, estos microestados pueden calificar como los bloques básicos de mentación y pueden considerarse como “átomos de pensamiento y la emoción”6. Usando algoritmos de clasificación de patrón moderno, cuatro clases de microestado de EEG de reclinación se han constantemente observado, que fueron etiquetados como clase A, clase B, clase C y clase D7. Por otra parte, investigadores revelaron que estas cuatro clases de microestado de datos EEG en reposo eran estrechamente con conocidos sistemas funcionales observados en estado reposo fMRI (resonancia magnética funcional) muchos estudios8,9 . Así, el análisis de microestado proporcionó un nuevo enfoque para estudiar las redes de estado reposo (RSNs) del cerebro humano. Además, la duración promedio y la frecuencia de ocurrencia de cada clase según los Estados, la forma topográfica de los cuatro mapas de microestado están significativamente influenciados por algún cerebro trastornos4,10,11, y se asocian con la inteligencia fluida12 y personalidad13.
En el otro aspecto, conectividad funcional tradicional de varios canales EEG podría describir solamente las conexiones funcionales entre dos electrodos, por lo tanto no se pudo evaluar la conectividad funcional global a través del cuero cabelludo o dentro de una cierta región del cerebro. La complejidad de omega, propuesto por Wackermann (1996)14 y calculados a través de un enfoque que combina análisis de componentes principales (PCA) y la entropía de Shannon, se ha utilizado para cuantificar la sincronización global de banda ancha entre espacial regiones del cerebro distribuidas. Para evaluar la complejidad de omega de cada banda de frecuencia, transformada de Fourier comúnmente se realizó como un primer paso25.
Los microestados y omega complejidad pueden utilizarse para reflejar dos conceptos estrechamente vinculados, es decir, la complejidad temporal y espacial de la complejidad4. Puesto que las clases de microestado representan ciertas operaciones mentales en el cerebro humano, reflejan la estructura temporal de las oscilaciones neuronales. Menor duración y mayor tasa de ocurrencia por segundo deben indicar mayor complejidad temporal. La complejidad de omega está relacionada positivamente con el número de fuentes independientes de nervios en el cerebro, así son comúnmente considerado como un indicador de complejidad espacial4.
El actual artículo describe el protocolo de análisis del microestado de EEG y omega complejidad en detalle. El análisis de complejidad EEG microestado y omega ofrecen la oportunidad de medir la complejidad temporal y espacial de la actividad cerebral respectivamente.
Protocol
Representative Results
Discussion
En este artículo, dos tipos de métodos analíticos de EEG (es decir, análisis de microestado y análisis de complejidad de omega), medición de la complejidad temporal y espacial complejidad del cerebro humano respectivamente, fueron descritos en detalle. Hay varios pasos críticos en el protocolo que debe ser mencionado. En primer lugar, los datos de EEG se deben limpiar antes el cálculo de la complejidad según los Estados y omega. En segundo lugar, los datos de EEG deben ser remontaged contra la media de referenci…
Divulgaciones
The authors have nothing to disclose.
Acknowledgements
Este artículo fue apoyado por la Fundación Nacional de Ciencias naturales de 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 |
Referencias
- 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).
