아이들의 고밀도 EEG 레코딩의 대뇌 피질의 자료 분석
Summary
최근 몇 년 동안,인지 신경 과학 실험을 위해 전기 활동을 측정 두피의 피질 소스를 추정에 대한 관심이 증가되고있다. 이 문서에서는 런던 베이비 연구소의 2 개의 세에서 고밀도 뇌파가 취득하는 방법과 녹음이 아이들에있는 대뇌 피질의 소스 추정을 위해 처리하는 방법에 대해 설명합니다.
Abstract
EEG는 전통적으로 높은 시간과 낮은 공간 해상도를 가진 뇌 영상 기법으로 설명되어 있습니다. 생물 물리학 적 모델링 및 신호 처리에서의 최근 발전은 가능한이 제약 조건 1을 극복하기 위해 높은 공간 해상도를 제공하는 구조 MRI 등의 다른 영상 기법으로 정보를 악용 할 수 있습니다. 이 시간에 높은 해상도뿐만 아니라 공간 영역을 필요로 수사에 특히 유용합니다. 또한, 때문에 쉽게 응용 프로그램과 뇌파 기록의 저렴한 비용에, EEG는 기능성 MRI를 용납하지 않는 어린 아이 같은 인구, 작업은 잘 스캔 할 때 자주 선택하는 방법입니다. 그러나, 신경 기판을 구조적 MRI에서, 해부학 적 정보를 포함하는 조사하기 위해 여전히 필요합니다. 대부분의 뇌파 분석 패키지는 성인 해부학에 근거하는 표준 머리 모델과 함께 작동합니다. 아이들 사용 이러한 모델의 정확도는 2, 한계가 있기 때문에 COmposition 머리의 공간 구성은 개발 3 극적 변화를 조직.
본 논문에서는 고밀도 뇌파의 대뇌 피질의 발전기를 재구성 개별 구조적 MRI 검사 또는 특정 연령 머리 모델을 기반으로 머리 모델을 이용하여 우리의 최근의 작업에 대한 개요를 제공합니다. 이 문서는 뇌파 기록 처리 및 실험실 설치, 작업 설계, EEG 전처리, MRI 처리, EEG의 채널 레벨 및 소스 분석을 포함한 런던 베이비 연구소의 소아 인구로 분석, 취득 방법에 대해 설명합니다.
Introduction
버락 오바마 대통령은 건강과 경제 3 (http://www.whitehouse.gov/share/brain-initiative)에 대한 중요도가 높은 과학적 발견의 다음 개척지로 인간의 두뇌를 설명했다. 그러나 자연 과학의 다른 분야와 마찬가지로 신경 과학 진행을위한 방법론과 분석 기술의 발전에 따라 달라집니다. 인간의 뇌 기능에 대한 연구에서 일반적으로 사용되는 두 비 침습 도구는 자기 공명 영상 (MRI)과 뇌파 (EEG)이다. 이 도구는 서로 다른 물리적 특성을 이용하고 독특한 장점과 단점과 뇌 기능에 다른 통찰력을 제공한다. MRI는 생체 조직의 이미지를 얻기 위해 자기장 내에서 물 분자의 자기 특성을 사용합니다. 피사체는 높은 전계 강도를 가진 자석을 배치 할 필요가있다. 참가자의 운동은이 과정에서 제한 및 참가자는 자기의 급격한 변화로 인한 잡음을 허용해야한다필드. 구조적 이미지 이외에, MRI는 뇌 기능 (의 fMRI)을 조사하는 혈액 산소의 변화를 측정 할 수있는 가능성을 제공한다. 요약하면, MRI는 현대적인 필드 스캐너 및 최적화 된 매개 변수를 4로 최대 0.5 mm 3의 상대적으로 높은 공간 해상도를 제공합니다. 대조적으로,의 fMRI의 시간 해상도는 간접적으로 만 신경 활동의 5,6의 높은 시간적 역 동성을 반영하는 BOLD 반응의 느린 반응 속도로 제한됩니다.
한편, EEG가 두피에 배치 된 전극을 통해 신경의 활동에 기인 한 전기적 활성도의 변화를 측정한다. EEG 기술의 최근 발전은 단기 또는 장기와 고정뿐만 아니라 외래 레코딩을위한 센서의 빠르고 쉬운 응용 프로그램을 할 수 있습니다. EEG는 덜 제한적이기 때문에, 그것은 또한 잘 같은 MRI 환경을 용납하지 않는 특정 참가자 집단에 대한 선택의 방법입니다 소아 및 특정노인 및 정신 인구. EEG의 특성은 MRI의 것과 반대의 패턴을 보여 시간 분해능 정밀도는 밀리 세컨드 매우 높은이지만, 공간 해상도가 제한됩니다. 전기 전류는 두피의 표면에 자신의 발생기와 EEG 전극 사이에 다른 조직을 통해 전달합니다. 이 믹싱 및 볼륨 전도 효과로 알려진 소스 활동의 공간 번짐에 이르게한다. 따라서 두피의 표면에 전극에 의해 측정 된 활동 헤드 1,7상의 전극의 위치까지 멀리있을 여러 출처의 활성을 반영한다.
최근 몇 년 동안 많은 작업은 각각의 장점을 활용하기 위해 MRI와 EEG의 합병에 전념하고있다. 하나의 작업 라인은 기능 연구에 뇌파 및 MRI의 동시 수집하기 위해 최선을 다하고 있습니다. 다른 접근 방법은 C 양을 고려할 구조적 MRI에 의해 제공된 공간 정보를 사용하는 것이다onduction 생물 물리학 적 모델링을 통해 효과. 뇌파 기록의 원본 복원에 대한 구조 정보의 사용은 소아와 관련된 연구에 특히 유용합니다. 뇌 기능의 발달의 조사는 복잡한인지 능력이 간단한 전구체 8 위에 구축하는 방법을 이해하는 핵심이다.
이 조사는 행동 성능의 변화와 상관 관계가 신경 기판과 응답 특성의 변화를 강조하는 데 도움이됩니다. 그러나, 개발하는 동안 뇌 기능과인지의 조사는 특정 문제를 포즈. 특히, 기능 MRI 연구의 기회는 유아 나 아동이 잠들거나 운동 유물과 참가자 웰빙에 부정적인 영향을주지 않고 MRI 데이터를 얻기 위해 진정해야 하나로 제한됩니다. 또한, EEG는 연구 참가자의 모집이 쉽게 부모에 의해 덜 위험하고 침략으로 인식된다. 티없는 herefore, EEG는 어린 아이들의 뇌 기능의 많은 연구에 대한 선택의 방법입니다. EEG 시스템에서 방법 론적 발전은 몇 분 안에 128 개 이상의 채널을 가진 고밀도의 전극 배열의 응용 프로그램을 할 수 있습니다. 응용 프로그램과 편안한 착용감의 용이성도 어린 유아의 뇌파 기록을 허용하기에 충분하다. 그러나, 종종 연구자뿐만 아니라 특정 자극에 대한 반응의 시간적 역학에 관심이뿐만 아니라 응답을 매개하는 신경 기판을 비교하고 싶습니다.
상이한 연령 그룹과 비교 채널 레벨 ERP 분석에서 통용 가정은 동일한 신경 기판을 반응한다는이지만, 타이밍 또는 응답 진폭 9 세 걸쳐 변화있다. 비슷한 두피 지형 종종 유사한 기본 신경 활동의 지표로 사용된다. 그러나, 많은 다른 소스의 구성은 유사 두피 지형 (10)을 초래할 수 있습니다. 소스 추정을 적용함으로써,이 uncertainty이 감소하고 정량화 할 수있다. 관찰의 독립은 뇌 기능의 네트워크 계정에 중요합니다 : 소스가 혼합되어있는 경우, 상관 관계가 높은 지역의 연결 편중 될 것이다. 소스 재구성이 바이어스 (11)를 감소시키기 위하여 적용될 수있다. 대안 적으로, 타이밍 및 위상에 차이가 연결성 분석을 위해 사용될 수 있지만, 이러한 수학적 모델은 비 시뮬레이션 된 데이터 (12)에 평가하기 어려운 가정을 필요로한다. 요약하면, 소스 추정은 해부학과 조직의 생물 물리학 적 속성에 대한 지식을 기반으로 채널 레벨 EEG 및 ERP 분석에 추가 정보를 제공합니다.
다른 알고리즘은 역 문제에 대한 해결책을 찾기 위해 고안되었습니다. 파라 메트릭 및 비 파라 메트릭 13 : 이러한 알고리즘은 두 가지 범주로 크게 떨어진다. 파라 메트릭 모델은 하나의 위치, 방향과 강도가 다를 수 있습니다 여러 다이폴 안테나를 가정합니다. 반면, 비 파라 메트릭 모델 contaiNA 큰 고정 된 위치와 방향으로 쌍극자의 수. 이러한 모델에서, 두피 전기 활동은 고정 다이폴 10,13,14에서 활성화의 조합으로서 설명한다. 비 파라 메트릭, 분산 소스 모델은 다양한 미디어에서 해부학과 도전에 대한 지식을 기반으로 할 수 있습니다. 경계 요소 모델은 뇌, 뇌 척수, 두개골에 대해 서로 다른 껍질과 머리의 주요 조직에 대한 전도도 값을 통합합니다. 이는 전도성 각 구획 내의 대부분 일정하지만 표시 변경은 다른 구획의 경계에서 발생하는 것을 전제로한다. 전도도 값이 각 복셀 (15)에 할당 할 수 있도록 유한 요소 모델은 회색과 흰색 물질에 MR 검사의 추가 분할을 기반으로합니다.
실용적인 관점에서, 비 파라 메트릭 모델은, 복잡한 작업인지에 소스 재구성하는데 특히 유용하다 개인 영역의 수는 수있는10 알 수 없습니다. 더 정확한 유한 요소 모델은 비교적 높은 계산적 요구 포즈 탓 경계 요소 모델은 가장 널리 문헌에 현재 사용된다. FEM 제품 개별 MRI 스캔을 기반으로해야합니다 있도록 또한, 회색과 흰색 문제에 상당한 간 개별 다양성이있다.
비 파라 메트릭 모델은 앞으로 모델의 예측에 두피 측정 활동을 일치시키기위한 두 번째 단계가 필요합니다. 또 다른 장점과 단점을 가진 다른 접근 방법 (개요 미셸 등. 2004 참조) 문헌에서 논의되었다. 가장 널리 사용되는 알고리즘은 낮은 전체적인 강도 (16)과 포워드 모델의 전류 분포에 두피 측정 액티비티 일치 최소 규범 추정 (MNE)에 기초한다. MNE는 약한 표면 소스에 편중되어있다. 깊이 가중 MNE 알고리즘 가중치를 도입하여 표면 바이어스를 감소시키기 위해 시도수학 가정 10을 기준으로 행렬. 널리 사용 로레타 접근법은 또한 가중 MNE에 근거하지만, 별도로 매끄러운 해법 17,18 리드 소스 라플라시안이 최소화된다. 로레타는 시뮬레이션 연구 (19, 20)에 하나의 소스에 최선을 수행하는 것으로 확인되었습니다. 그러나, 로레타 솔루션의 스무딩을 통해 발생할 수 있습니다. 근원이 알려지지 않은 또는 여러 소스가 13, 16 존재할 가능성이있을 때 깊이 가중 MNE 바람직하다. 다른 모델의 가정의 영향을 평가하기 위해 다른 알고리즘의 결과를 비교하는 것은 추천.
요약하면, 모델링 방법을 통해 소스 재건 최근까지 아이들을 위해 제한되었습니다. 대부분 EEG 분석 소프트웨어가 실질적으로 아이들 2,8있는 소스 솔루션의 정확성을 제한 성인 해부학에 근거 헤드 모델에 의존하기 때문이다. 연산 능력 및 규정에 저렴한 액세스소스 재건을위한 사용자 친화적 인 소프트웨어는 가능한 이러한 한계를 극복 할 수 있습니다. EEG에 소스 추정을 적용하면 단독 채널 레벨 관측에 기반 분석을 통해 두 가지 중요한 이점을 제공합니다 : 공간 해상도와 관찰의 독립을 개선.
소스 추정은 일부 경우에 유익하지 않을 수 : 헤드의 양호한 커버리지 소스를 구별해야한다. 128 개 이상의 전극 고밀도 시스템은 10, 15를 추천합니다; 드문 드문 범위가 더 폭 넓은 소스 활성화 또는 위음성 결과 (10)로 이어지는 공간 필터 역할을합니다. 또한,이 문서에서 설명하는 방법에 따라 소스의 재건은 대뇌 피질의 발전기에 대해보고하고있다. 따라서 피질 기판 또는 대뇌 피질 피질의 상호 작용에 대한 가설 검정 덜 적합하다. 마지막으로, 소스 분석은 피질 기판에 대한 세부 이전 가설에 기초해야계정에 다른 영상 기법으로 기존의 문헌을 복용. 공간적 필터링 기술은 또한 두피 레벨에 공간 혼합을 감소시킴으로써 EEG 신호의 공간 해상도를 향상시키기 위해 사용될 수있다. 헤드 모델링이없는 볼륨 전도 효과의 영향을 저감하기위한 대안적인 방법이 사용되는 예를 들면, 라플라시안 필터 (21) 또는 전류원 밀도 분석 22. 볼륨 전도의 효과뿐만 아니라 있습니다 가까운 공간 근접 1에서 센서로 제한 그러나,이 방법은 신경 발전기에 대한 자세한 정보를 제공하지 않습니다.
다음 절에서,이 문서는 뇌와 2 세 아동의인지 기능의 조사를 위해 실험 런던 베이비 연구소에서 설계하는 방법에 대해 설명합니다. 다음으로, 아이들과 함께 높은 밀도 낮은 임피던스 시스템과 EEG 데이터 수집이 논의된다. 그 후, 채널 레벨에 EEG 전처리 및 분석이 제시된다. LastlY, 기사는 대뇌 피질의 소스 재건과 소스 레벨의 신호 분석을위한 구조 MRI 데이터의 처리에 초점을 맞추고 있습니다.
Protocol
Representative Results
Discussion
본 기사는 세 아이들을 위해 적당한 표준 ERP 패러다임에 적합한 평균 MRI 템플릿과 깊이가 가중 최소 규범 추정에 따라 경계 요소 모델을 사용하여 대뇌 피질의 발전기의 재건을위한 고밀도 뇌파의 기록 및 분석에 대해 설명합니다. 이 패러다임에서는 얼굴과 스크램블 얼굴의 사진이 표시됩니다. 다른 저자들은 개발 35 얼굴 처리 메커니즘의 개발을 조사이 패러다임을 사용했다. 채널 레벨…
Declarações
The authors have nothing to disclose.
Acknowledgements
우리는 우리에게 발달 MRI 데이터베이스와 도움이 토론에 대한 액세스 권한을 부여하기위한 교수 존 리차드, 사우스 캐롤라이나 대학교, 감사드립니다. 우리는 또한 우리의 출자자 그레이트 오르 몬드 스트리트 어린이 자선, UCL 영향 및 그랜드 도전에게 감사의 말씀을 전합니다.
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 | ||
| Referências | |||
| 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. | |||
Referências
- Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
- Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
- Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
- 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).
- Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
- Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
- Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
- Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
- 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).
- 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).
- 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).
- 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).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
- Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
- Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
- Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
- Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
- 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).
- Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
- 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).
- Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
- DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
- 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).
- 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).
- 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).
- Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
- 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).
- 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).
- Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
- Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
- 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).
