Cortical Kilde Analyse av høy tetthet EEG Recordings hos barn

President Barack Obama beskrev den menneskelige hjerne som den neste grensen av vitenskapelige funn med høy viktighet for helse og økonomi ³ (http://www.whitehouse.gov/share/brain-initiative). Men, som alle andre felt i naturfag, nevrovitenskap avhengig fremskritt i metoder og analyseteknikker for fremgang. To brukte ikke invasive verktøy i studier om hjernens funksjon hos mennesker er magnetisk resonans imaging (MRI) og elektroencefalografi (EEG). Disse verktøy utnytte forskjellige fysiske egenskaper og gi forskjellige innsikt i hjernefunksjonen med unike fordeler og ulemper. MRI anvender de magnetiske egenskaper av vannmolekyler i magnetiske felt for å oppnå bilder av levende vev. Emnet må plasseres i en magnet med høy feltstyrke. Deltakeren bevegelse er begrenset i løpet av denne prosedyrer og deltakeren må tolerere støy forårsaket av raske endringer i det magnetiskefelt. I tillegg til strukturbilder, gir MRI også muligheten til å måle endringer i blodoksygenering for å undersøke hjernefunksjon (fmri). I sammendraget, MR tilbyr relativt høy romlig oppløsning på opp til 0,5 mm ³ med moderne høye felt skannere og optimaliserte parametere ^fire. I motsetning til dette er tidsmessig oppløsning av fMRI begrenset til den langsomme kinetikken i BOLD respons, som bare indirekte reflekterer de høye timelige dynamikken i nevrale aktiviteten ^5,6.

På den annen side måler EEG forandringer i elektrisk aktivitet som forårsakes av aktiviteten av neuroner ved elektroder plassert på hodebunnen. Nylige fremskritt innen EEG-teknologi gir rask og enkel anvendelse av sensorer for kort sikt eller lang sikt og stasjonære samt ambulerende opptak. Fordi EEG er mindre restriktiv, er det også den metoden for valg for enkelte deltaker bestander som ikke tåler MR miljøet godt som pediatrisk og vissegeriatriske og psykiatriske populasjoner. Egenskapene til EEG viser en invers mønsteret til de av MRI: de tidsmessig oppløsning er meget høy, med millisekund presisjon, men den romlige oppløsning er begrenset. Elektriske strømmer passerer gjennom forskjellige vev mellom sin generator og EEG-elektroder på overflaten av hodebunnen. Dette fører til blanding og romlig-søl av source-aktivitet er kjent som volumet ledningseffekten. Derfor aktivitet målt ved elektrodene på overflaten av hodebunnen viser aktivitet fra flere kilder som kan være fjernt til plasseringen av elektroden på hodet ^1,7.

Mye arbeid i de senere år har vært dedikert til sammenslåing av MR og EEG for å dra nytte av sine respektive styrker. En linje av arbeidet er dedikert til den samtidige kjøp av EEG og MR i funksjonelle studier. En annen metode er å bruke den romlige informasjonen gitt av strukturell MR for å ta hensyn til volum conduction effekt gjennom biofysiske modellering. Bruken av strukturell informasjon for kilderekonstruksjon for EEG opptak er spesielt nyttig for studier som involverer en pediatriske populasjon. Etterforskningen av utviklingen av hjernens funksjon er sentral for å forstå hvordan komplekse kognitive ferdigheter er bygget på toppen av enkle forløpere ^åtte.

Disse undersøkelsene bidra til å synliggjøre endringer i de nevrale substrater og responsegenskaper som korrelerer med endringer i atferdsmessige ytelse. Imidlertid utgjør etterforskningen av hjernens funksjon og kognisjon under utvikling også spesifikke utfordringer. Spesielt er det mulighet for funksjonell MRI studier begrenset som små barn og spedbarn enten må være sover eller bedøvet å skaffe MR data uten bevegelse gjenstander og negativ innvirkning på deltaker velvære. Videre er EEG oppfattes som mindre risikofylt og invasiv av foreldre, som gjør rekruttering av forskningsdeltakere lettere. There, er EEG metoden for valg for mange undersøkelser av hjernens funksjon hos små barn. Metodiske fremskritt i EEG-systemer tillater bruk av høy tetthet elektrode arrays med 128 eller flere kanaler i løpet av minutter. Enkel påføring og bærekomfort er tilstrekkelig til og med tillate EEG opptak i de yngste spedbarn. Men ofte forskere er ikke bare interessert i de timelige dynamikken i svar på bestemte stimuli, men ønsker også å sammenligne de nevrale substrater som formidler svarene.

En rådende forutsetning i kanalnivå ERP analyse som sammenligner ulike aldersgrupper er at de samme nevrale substrater svare, men at timingen eller respons amplitude varierer mellom alderen ^9. Lignende skalp topografi er ofte brukt som en indikator på tilsvarende underliggende nevrale aktiviteten. Imidlertid kan mange ulike kilde konfigurasjoner føre til lignende skalp topografi ^10. Ved å bruke kilde estimering, Unce dettertainty kan reduseres og kvantifisert. Uavhengighet av observasjonene er kritisk for nettverkskontoer av hjernens funksjon: hvis kildene er blandet, korrelasjoner vil være forutinntatt mot høyere lokal tilkobling. Kilde rekonstruksjon kan anvendes for å redusere denne skjevhet ^11.. Alternativt, kan forskjeller i timing og fase brukes for tilkobling analyse, men disse matematiske modeller krever forutsetninger som er vanskelig å vurdere i ikke simulerte data ^12. Oppsummert gir kilde estimering tilleggsinformasjon til kanalnivå EEG og ERP analyse basert på kunnskap om anatomi og biofysiske egenskaper vev.

Ulike algoritmer har blitt utviklet for å finne løsninger på den inverse problem. Disse algoritmene faller grovt inn i to kategorier: parametriske og ikke parametriske ^13. Parametriske modeller antar ett eller flere dipoler som kan variere i plassering, orientering og styrke. I kontrast, ikke parametriske modeller containa stort antall dipoler med fast plassering og orientering. I disse modellene, er hodebunnen elektriske aktiviteten forklares som en kombinasjon av aktiveringer i de faste dipoler ^10,13,14. Ikke parametrisk, kan distribueres kilde modeller være basert på kunnskap om anatomi og ledningsevne i ulike medier. Boundary Element Modeller innlemme ledeevne for de viktigste vev i hodet med ulike skjell for hjernen, Cerebro spinalvæske, og skallen. Dette er basert på antagelsen om at ledningsevnen er stort sett konstant innenfor hver avdeling, men som markerte endringer skjer på grensen av ulike avdelinger. Elementmodeller er basert på ytterligere segmentering av MR-skanninger til grå og hvit substans, slik at ledeevne kan bli tildelt hver voxel ^15.

I praksis ikke parametriske modeller er spesielt nyttig for kilde gjenoppbygging i komplekse kognitive oppgaver, der antall involverte områder kanikke kjent ^10. Grense element modeller er mest utbredt i dagens litteratur, sannsynligvis fordi de mer nøyaktige Finite Element Modeller utgjøre relativt høy beregningsorientert krav. Videre er det betydelig inter individuell variasjon i grå og hvit substans, slik at fems bør være basert på individuelle MR skanner.

Ikke parametriske modeller krever en andre skritt for å matche hodebunnen målte aktiviteten til spådommer om den videre modell. Igjen, har ulike tilnærminger med forskjellige fordeler og ulemper er diskutert i litteraturen (se Michel et al. 2004 for en oversikt). De mest brukte algoritmer er basert på minimum norm estimering (MNE), som matcher skalp målte aktiviteten til et strømfordeling i termin modell med den laveste totale intensiteten ^16. MNE er forutinntatt mot svake og overfladiske kilder. Dybde vektet FNF algoritmer prøve å redusere overflaten skjevhet ved å innføre vektingmatriser basert på matematiske forutsetninger ^10. Den mye brukt Loreta tilnærming er også basert på vektet MNE, men i tillegg minimerer Laplacian av kilder, noe som fører til jevnere løsninger ^17,18. Loreta har blitt funnet å utføre best for enkeltkilder i simuleringsstudier ^19,20. Imidlertid kan loreta føre til over glatting av løsninger. Dybde vektet MNE er å foretrekke når kildene er ukjent eller flere kilder er sannsynlig å være til stede ^{13, 16.} Det anbefales å sammenligne resultatene av forskjellige algoritmer for å evaluere innflytelsen av forskjellige modell forutsetninger.

I sammendraget, har kilde gjenoppbygging gjennom modelleringsmetoder vært begrenset for barn inntil nylig. Dette er fordi de fleste EEG analyse programvare er avhengig av hodemodeller basert på voksen anatomi som vesentlig begrenser nøyaktigheten av kildekode-løsninger hos barn ^2,8. Den billig tilgang på regnekraft og levering avbrukervennlig programvare for kilderekonstruksjon gjør det mulig å overvinne disse begrensningene. Bruk av kilde estimering til EEG gir to viktige fordeler fremfor analyse basert på kanalnivå observasjoner alene: forbedret romlig oppløsning og uavhengighet av observasjoner.

Kilde estimering er ikke informativt i noen tilfeller: god dekning av hodet er nødvendig for å skille mellom kilder. Høy tetthet systemer med 128 eller flere elektroder anbefales ^10,15; en sparser dekning vil fungere som en romlig filter fører til mer bred spredning kilde aktivering eller falske negative resultater ^10. Videre har kilderekonstruksjon basert på metoden som er beskrevet i denne artikkelen kun blitt rapportert for kortikale generatorer. Derfor er det mindre egnet for testing hypoteser om subkortikal substrater eller kortikale subkortikal interaksjoner. Endelig bør kilde analyse være basert på detaljerte tidligere hypoteser om hjernebark underlag,tar den eksisterende litteratur fra andre bildediagnostikk i betraktning. Romlig filtrering teknikker kan også anvendes for å forbedre romlig oppløsning av EEG-signalet ved å redusere romlig blanding i hodebunnen nivå. Alternative metoder for å redusere påvirkning av volumlednings effekter uten hode modellering brukes, f.eks Laplacian filtrering ²¹ eller Ström Tetthet analyse ^22. Men disse metodene ikke gi mer informasjon om nevrale generatorer som volum lednings effekter er ikke bare begrenset til sensorer i nær romlig nærhet ^en.

I de følgende avsnittene, beskriver artikkelen hvordan eksperimenter for etterforskningen av hjernen og kognitiv funksjon hos barn fra 2 års alder er utformet på London baby Lab. Neste, er EEG datainnsamling med høy tetthet lav impedans systemer med barn diskutert. Deretter blir EEG preprosessering og analyse på kanalnivået presenteres. Lastly, vekt på få behandling av struktur MR-data for kortikale kilderekonstruksjon og analyse av kildenivåsignaler.