Summary

Kortikal Källa Analys av hög densitet EEG inspelningar i barn

Published: June 30, 2014
doi:

Summary

Under senare år har det funnits ett ökande intresse för att skatta de kortikala källor hårbotten uppmätta elektriska aktiviteten för kognitiva neuroscience experiment. I artikeln beskrivs hur hög densitet EEG förvärvas och hur inspelningar bearbetas för kortikal käll uppskattning hos barn från 2 års ålder på London baby Lab.

Abstract

EEG är traditionellt beskrivs som en neuroradiologiska teknik med hög temporal och låg rumslig upplösning. Senaste framstegen inom biofysisk modellering och signalbehandling gör det möjligt att utnyttja information från andra avbildningsmetoder som strukturell MRI att ge hög rymdupplösning för att övervinna denna begränsning 1. Detta är särskilt användbart för undersökningar som kräver hög upplösning i tinnin liksom rumsdomänen. Dessutom, på grund av den enkla program och låga kostnader för EEG-inspelningar, är EEG ofta den metod som föredras vid arbete med populationer, till exempel små barn, som inte tål funktionell MRI skannar väl. Men, för att undersöka vilka neurala substrat är inblandade, anatomisk information från strukturell MRI behövs fortfarande. De flesta EEG analyspaket fungerar med vanliga huvudmodeller som baseras på vuxen anatomi. Noggrannheten i dessa modeller när de används för barn är begränsad 2, eftersom comställning och rumslig konfiguration av huvudet vävnader förändringar dramatiskt under utveckling 3.

I föreliggande papper, ger vi en översikt över vårt senaste arbete i att utnyttja huvudmodeller baserade på individuella strukturella MRT eller åldersspecifika huvudmodeller för att rekonstruera de kortikala generatorer med hög densitet EEG. I artikeln beskrivs hur EEG-inspelningar förvärvas, bearbetas och analyseras med barnpopulationer på London baby Lab, inklusive laboratorie setup, aktivitetsdesign, EEG förbehandling, MRI bearbetning, och EEG-kanalnivå och källanalys.

Introduction

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.

Protocol

1. Designa EEG och evenemang relaterade potentiella experiment för barn Anm: Ett enkelt experiment var avsedd för tillämpningen av denna artikel som kan användas för att undersöka ansikte bearbetning i små barn. Följande avsnitt beskriver experimentet och förklara hur man ska genomföra det med hjälp av MATLAB R2012b och Psychtoolbox V3.0.11 23,24. Bilder tagna från NimStim uppsättning emotionella ansiktsuttryck 25 användes för detta exempel. Denna stimulans…

Representative Results

Utforma ERP-experiment för spädbarn och barn är ofta utmanande, på grund av deras begränsade förmåga att tolerera långa upprepade experiment 30. Problemet förvärras ytterligare när försöksledaren planerar att tillämpa käll rekonstruktion, eftersom korrekt källa rekonstruktion kommer att kräva en hög signal-brus-förhållande 1. Figur 1 visar en försöksprotokoll för undersökning av ansiktet behandlingsmekanismer som kan användas med mycket små barn. Det parad…

Discussion

Den nuvarande artikeln beskrivs registrering och analys av hög densitet EEG för rekonstruktion av kortikala generatorer använder gräns element modeller baserade på ålder lämpliga genomsnittliga MRI mallar och djup viktade miniminorm uppskattning i en standard ERP paradigm lämplig för barn. I detta paradigm, är bilder av ansikten och förvrängda ansikten presenteras. Olika författare använde detta paradigm för att undersöka utvecklingen av ansiktsbehandlingsmekanismer under utveckling 35. På ka…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Vi vill tacka professor John Richards, University of South Carolina, för att bevilja oss tillgång till Develop MRI-databasen och hjälp diskussioner. Vi vill också tacka våra finansiärer Great Ormond Street Barnens välgörenhet, 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
References
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.

References

  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

Citer Cet Article
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