Kortikal Källa Analys av hög densitet EEG inspelningar i barn

President Barack Obama beskrev den mänskliga hjärnan som nästa gräns för vetenskapliga upptäckter med stor betydelse för hälsa och ekonomi ³ (http://www.whitehouse.gov/share/brain-initiative). Men precis som alla andra fält inom naturvetenskap, neurovetenskap beror på framsteg inom metoder och analystekniker för framsteg. Två vanligen använda icke invasiva verktyg i studier om hjärnans funktion hos människor är magnetisk resonanstomografi (MRT) och elektroencefalografi (EEG). Dessa verktyg utnyttja olika fysikaliska egenskaper och ge olika insikter i hjärnfunktion med unika fördelar och nackdelar. MRI använder de magnetiska egenskaperna hos vattenmolekyler i magnetfält för att få bilder av levande vävnader. Ämnet måste placeras på en magnet med hög fältstyrka. Deltagarens rörelsen är begränsad under dessa förfaranden och deltagaren måste tåla buller som orsakas av snabba förändringar i det magnetiskafält. Förutom strukturella bilder, ger MRT också möjligheten att mäta förändringar i blodets syresättning för att undersöka hjärnans funktion (fMRI). Sammanfattningsvis ger MRT relativt hög rumslig upplösning på upp till 0,5 mm ³ med moderna höga fält skannrar och optimerade parametrar ^4. I motsats härtill är begränsat till den långsamma kinetiken hos FET svar, som endast indirekt återspeglar de höga temporala dynamiken i neural aktivitet ^5,6 den temporala upplösningen av fMRI.

Å andra sidan, EEG mäter förändringar i den elektriska aktiviteten som orsakas av aktiviteten hos nervceller genom elektroder placerade på hårbotten. Senaste framstegen inom EEG-teknik möjliggör snabb och enkel tillämpning av sensorer för kort eller lång sikt och stationära samt ambulatorisk inspelningar. Eftersom EEG är mindre restriktiv, det är också den metod som föredras för vissa deltagare populationer som inte tål MR-miljö väl som barn och vissageriatriska och psykiatriska populationer. Egenskaperna hos EEG visar ett omvänt mönster för att de av MRI: den temporala upplösningen är mycket hög med millisekund precision, men den rumsliga upplösningen är begränsad. Elektriska strömmar passera genom olika vävnader mellan deras generator och EEG-elektroder på ytan av hårbotten. Detta leder till blandning och rumsliga utsmetning av käll aktivitet som kallas volymledningseffekten. Därför aktivitet mätt genom elektroderna på ytan av hårbotten reflekterar aktivitet från flera källor som kan vara avlägsen till positionen för elektroden på huvudet ^1,7.

Mycket arbete har under senare år ägnat sig åt att en sammanslagning av MRT och EEG i syfte att dra nytta av sina respektive styrkor. En typ av arbete är tillägnad den samtidiga förvärvet av EEG och MRI i funktionella studier. En annan metod är att använda den rumsliga information som strukturell MRI för att ta hänsyn till volym conduction effekt genom biofysiska modellering. Användningen av strukturell information om käll rekonstruktion av EEG-inspelningar är särskilt användbart för studier med pediatriska populationen. Undersökningen av utvecklingen av hjärnans funktion är central för att förstå hur komplexa kognitiva färdigheter är byggda ovanpå enkla prekursorer ^8.

Dessa undersökningar hjälper att lyfta fram förändringar i de neurala substrat och svar egenskaper som korrelerar med förändringar i beteende-prestanda. Men utredningen av hjärnans funktion och kognition under utveckling innebär också särskilda utmaningar. Speciellt, är möjligheten för funktionella MRI-studier begränsad eftersom små barn och spädbarn antingen måste vara sovande eller lugnande preparat för att erhålla MRI data utan rörelseartefakter och negativ påverkan på deltagare välbefinnande. Vidare EEG uppfattas som mindre riskfyllda och invasiva av föräldrar, vilket gör att rekryteringen av forskningsdeltagare lättare. Therefore är EEG den viktigaste metoden för många undersökningar av hjärnans funktion hos små barn. Metodologiska framsteg i EEG-system tillåter att tillämpa hög densitet elektrod arrayer med 128 eller fler kanaler inom några minuter. Enkel ansökan och komfort är tillräckliga för att ens medge EEG-inspelning i de yngsta barnen. Men ofta forskare är inte bara intresserade av de temporala dynamiken i svar på vissa stimuli, men skulle också vilja jämföra de neurala substrat som förmedlar svaren.

En rådande antagande i kanalnivå ERP analys som jämför olika åldersgrupper är att samma neurala substrat reagerar, men att tidpunkten eller respons amplitud varierar mellan åldrarna ^9. Liknande hårbotten topografi används ofta som en indikator på liknande underliggande neural aktivitet. Däremot kan många olika käll konfigurationer leda till liknande hårbotten kretsmönster ^10. Genom att tillämpa käll uppskattning, unce dettartainty kan minskas och kvantifieras. Den oberoende observationer är avgörande för nätverkskonton för hjärnans funktion: om källorna är blandade, korrelationer kommer att vara partisk mot högre lokal anslutning. Källa uppbyggnaden kan användas för att minska denna förspänning ^11. Alternativt kan skillnader i timing och fas används för analys-anslutning, men dessa matematiska modeller kräver antaganden som är svåra i icke simulerade data ¹² för att utvärdera. Sammanfattningsvis ger käll uppskattningen ytterligare information till kanalnivå EEG och ERP-analys baserad på kunskap om anatomi och biofysikaliska egenskaper av vävnad.

Olika algoritmer har anvisats för att hitta lösningar på det inversa problemet. Dessa algoritmer stort sett delas in i två kategorier: parametriska och icke parametriska ^13. Parametriska modeller antar en eller flera dipoler som kan variera i läge, riktning och styrka. I motsats, icke parametriska modeller behållarenna många dipoler med fast läge och orientering. I dessa modeller är hårbotten elektriska aktiviteten förklaras som en kombination av aktiveringar i de fasta dipoler ^10,13,14. Icke parametrisk kan distribuerade källmodeller baseras på kunskap om anatomi och ledningsförmåga i olika medier. Boundary Element Modellerna har konduktivitetsvärden för de viktigaste vävnaderna i huvudet med olika skal för hjärnan, cerebro spinalvätska, och skalle. Detta är baserat på antagandet att konduktiviteten är mestadels konstant inom varje fack, men som markerade förändringar inträffar vid gränslinjen mellan olika fack. Finita element modeller är baserade på ytterligare segmentering av MR i grå och vit substans, så att konduktivitetsvärden kan tilldelas varje voxel ^15.

Rent praktiskt, icke parametriska modeller är särskilt användbara för käll rekonstruktion i komplexa kognitiva uppgifter, där antalet områden som berörs kaninte känd ^10. Boundary element modeller är mest använda i den aktuella litteraturen, förmodligen för att de mer exakta Finita Element Modeller utgör jämförelsevis höga beräknings krav. Vidare finns det betydande interindividuella variabiliteten i grå och vit substans, så att fems bör baseras på individuella MRT.

Icke parametriska modeller kräver ett andra steg för att matcha hårbotten uppmätta aktiviteten till förutsägelser av den framtida modellen. Återigen, har olika metoder med olika för-och nackdelar har diskuterats i litteraturen (se Michel et al. 2004 för en översikt). De mest använda algoritmer är baserade på minimum norm uppskattning (MNE), vilket matchar hårbotten uppmätta aktiviteten till en strömfördelning i framåt modellen med den lägsta totala intensitet ^16. MNE är främst inriktad svaga och ytliga källor. Djup viktade MNE algoritmer försöka minska snedställning genom att införa viktningmatriser som bygger på matematiska antaganden ^10. Den används flitigt Loreta synsätt är också baserad på viktade MNE, men dessutom minimerar Laplacian av källor, vilket leder till smidigare lösningar ^17,18. Loreta har visat sig fungera bäst för enstaka källor i simuleringsstudier ^19,20. Emellertid kan loreta leda till över utjämning av lösningar. Djup vägt MNE är att föredra när källorna är okända eller flera källor kommer sannolikt att vara närvarande ^{13, 16.} En jämförelse av resultaten av olika algoritmer för att utvärdera inverkan av olika modellantaganden rekommenderas.

Sammanfattningsvis har källa rekonstruktion genom modelleringsmetoder varit begränsade för barn tills nyligen. Detta eftersom de flesta EEG analysprogram bygger på aggregatmodeller baserade på vuxna anatomi som kraftigt begränsar riktigheten av source-lösningar hos barn ^2,8. Den billiga tillgång till datorkraft och tillhandahållande avanvändarvänlig mjukvara för käll rekonstruktion gör det möjligt att övervinna dessa begränsningar. Tillämpa käll uppskattning till EEG ger två viktiga fördelar jämfört med analys baserad på observationer kanalnivå ensam: förbättrad spatial upplösning och oberoende observationer.

Källa uppskattning får inte vara informativ i vissa fall: god täckning av huvudet är skyldig att särskilja källor. Hög densitet system med 128 eller flera elektroder rekommenderas ^10,15; en glesare täckning kommer att fungera som en rumslig filter vilket leder till mer utbredd källaktivering eller falskt negativa resultat ^10. Dessutom har käll rekonstruktion baserad på den metod som beskrivs i den här artikeln endast rapporterats för kortikala generatorer. Därför är det mindre lämpligt för att testa hypoteser om subkortikala substrat eller kortikala subkortikala interaktioner. Slutligen bör källanalys baseras på detaljerade tidigare hypoteser om de bark-substrat,ta befintlig litteratur från andra avbildningsmetoder i beaktande. Spatiala filtreringstekniker kan även användas för att förbättra den rumsliga upplösningen av EEG-signalen genom att minska fysisk blandning på hårbotten nivå. Alternativa metoder för att minska påverkan av volymledningseffekter utan huvud modellering används, till exempel, Laplace-filtrering ²¹ eller strömkälla Densitet analys ^22. Men dessa metoder inte ge mer information om neurala generatorer som volymlednings effekter är inte bara begränsad till sensorer i nära fysisk närhet ^1.

I följande avsnitt, beskriver artikeln hur experiment för undersökning av hjärnan och kognitiv funktion hos barn från 2 års ålder är utformade på London baby Lab. Därefter EEG datainsamling med hög densitet låg impedans system med barn diskuteras. Sedan är EEG förbearbetning och analys på kanalnivå presenteras. Lastly, i artikeln fokuserar på behandling av strukturella MRI data för kortikal käll rekonstruktion och analys av källnivåsignaler.