Micro-État et Analyses complexité Omega de l’état de repos l’électroencéphalographie
Summary
Cet article décrit le protocole sous-jacent électroencéphalographie (EEG) micro-État analyse et analyse de complexité oméga, qui sont deux mesures d’EEG référence-gratuit et très utile pour explorer les mécanismes neuronaux des troubles cérébraux.
Abstract
Complexité de micro-États et omega sont deux mesures de référence-free électroencéphalographie (EEG) qui peuvent représenter la complexité temporelle et spatiale des données EEG et ont été largement utilisées pour étudier les mécanismes neuronaux dans certains troubles du cerveau. L’objectif de cet article est de décrire le protocole sous-jacent EEG micro-États et omega complexité analyse étape par étape. Le principal avantage de ces deux mesures, c’est qu’ils pourraient éliminer le problème de référence dépendante inhérent à l’analyse de spectre traditionnel. En outre, l’analyse de micro-États fait bon usage du grand temps de résolution de l’EEG de l’état de repos, et les quatre classes de micro-États obtenus pourraient correspondre à des réseaux de l’état de repos correspondants respectivement. La complexité de l’oméga caractérise la complexité spatiale du cerveau entier ou de certaines régions du cerveau, qui a l’avantage évident par rapport aux mesures de complexité traditionnelle mettant l’accent sur la complexité du signal dans un seul canal. Ces deux mesures d’EEG pourraient se compléter mutuellement pour enquêter sur la complexité du cerveau du domaine temporel et spatial respectivement.
Introduction
Électroencéphalographie (EEG) a été largement utilisé pour enregistrer l’activité électrique du cerveau humain tant dans le diagnostic clinique et la recherche scientifique, car il est non invasif, chiffré à faible et a très haute résolution temporelle1. Afin d’étudier les signaux EEG en état de repos, les chercheurs ont développé plusieurs EEG techniques (p. ex., analyse du spectre de puissance, analyse de la connectivité fonctionnelle)2,3. Parmi eux, analyse des micro-États et oméga complexité pourraient faire bon usage de l’information spatiale et temporelle inhérente à l’EEG signaux4.
Des recherches antérieures ont montré que bien que la distribution topographique des signaux EEG varie au fil du temps dans les yeux fermés ou œil ouvert état de repos, la série de cartes momentanées montre des changements discontinus de paysages, c’est-à-dire des périodes de stabilité en alternance avec des périodes de transition courte entre certains quasi stable EEG topographies5. Micro-États sont définis comme ces épisodes avec quasi stables topographies EEG, qui durent entre 80 et 120 ms1. Étant donné que les différents paysages de potentiels électriques doivent avoir été générées par différentes sources neuronales, ces micro-États peuvent être considérés comme les blocs de base de le œuvre et peuvent être considérés comme « les atomes de la pensée et l’émotion »6. À l’aide d’algorithmes de classification des formes modernes, quatre classes de micro-États EEG de repos ont été systématiquement observées, qui ont été étiquetés comme classe A, classe B, classe C et classe D7. En outre, les chercheurs ont révélé que ces quatre classes de micro-état de données EEG de repos étaient étroitement associés liés des systèmes fonctionnels connus observées dans nombreux État repos l’IRMf (imagerie de résonance magnétique fonctionnelle) études8,9 . Ainsi, l’analyse de micro-États a donné une nouvelle approche pour étudier les réseaux au repos de l’État (RCMDN) du cerveau humain. En outre, la durée moyenne et la fréquence d’apparition de chaque classe de micro-États, la forme topographique des quatre cartes micro-États sont significativement influencées par certains cerveau troubles4,10,11, et sont associés à l’intelligence fluide12 et personnalité13.
Dans l’autre aspect, connectivité fonctionnelle traditionnelle de multicanaux EEG pouvait seulement décrire les connexions fonctionnelles entre deux électrodes de cuir chevelu, donc impossible d’évaluer la connectivité fonctionnelle globale dans l’ensemble du cuir chevelu ou dans une certaine région du cerveau. La complexité de l’oméga, proposé par Wackermann (1996)14 et calculé grâce à une approche combinant l’analyse en composantes principales (ACP) et l’entropie de Shannon, a été utilisée pour quantifier la synchronisation globale de large bande entre dans l’espace distribué des régions du cerveau. Afin d’évaluer la complexité de l’oméga de chaque bande de fréquences, transformation de Fourier a été pratiquée dans un premier temps25.
Les micro-États et la complexité de l’oméga peuvent servir à tenir compte de deux notions étroitement liées, c’est-à-dire, la complexité temporelle et complexité spatiale4. Étant donné que les classes de micro-États représentent certaines opérations mentales dans le cerveau humain, ils peuvent refléter la structure temporelle des oscillations neuronales. Durée inférieure et les taux d’accident plus élevé par seconde doivent indiquer la plus grande complexité temporelle. La complexité de l’oméga est positivement reliée au nombre de sources indépendantes de neurones dans le cerveau, donc sont communément considérées comme un indicateur de complexité spatiale4.
L’article décrit le protocole de EEG micro-État analyse et complexité oméga en détail. Les analyses de complexité EEG micro-États et omega offrent la possibilité de mesurer la complexité temporelle et spatiale de l’activité cérébrale respectivement.
Protocol
Representative Results
Discussion
Dans cet article, deux types de méthodes analytiques de l’EEG (analyse des micro-États et analyse de complexité oméga), mesurer la complexité temporelle et spatiale complexité du cerveau humain, respectivement, ont été décrits en détail. Il y a plusieurs étapes cruciales au sein du protocole qui devrait être mentionné. Tout d’abord, les données EEG doivent être nettoyées avant le calcul de la complexité des micro-États et omega. Deuxièmement, les données EEG devraient être remontaged contre la r?…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Cet article a été soutenu par la Fondation nationale des sciences naturelles de Chine (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 |
References
- 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).
