Карликовые и Омега сложности анализа отдыха государство электроэнцефалография
Summary
Эта статья описывает протокол основной электроэнцефалографии (ЭЭГ) карликовые и анализ Омега сложности, которые являются две ссылки бесплатные ЭЭГ меры и весьма ценным для изучения нейронных механизмов расстройств головного мозга.
Abstract
Карликовые и Омега сложности являются две ссылки бесплатные электроэнцефалографии (ЭЭГ) мер, которые может представлять сложности временных и пространственных данных ЭЭГ и широко использовался для изучения нейронных механизмов в некоторых заболеваний мозга. Цель этой статьи заключается в том, чтобы описать протоколе ЭЭГ карликовые и Омега сложности анализа шаг за шагом. Основным преимуществом этих двух мер является, что они могли бы устранить ссылку зависимые проблемы, присущие традиционным спектрального анализа. Кроме того карликовые анализ позволяет эффективно использовать время резолюции отдыха состояния ЭЭГ, и в четырех классах полученные микрогосударства может соответствовать соответствующих сетей отдыха государство соответственно. Омега сложности характеризует пространственные сложности весь мозг или регионах конкретных мозга, которая имеет очевидное преимущество, по сравнению с традиционными сложности меры, ориентированные на сложности сигнала в одном канале. Эти две меры ЭЭГ могут дополнять друг друга, чтобы исследовать мозг сложности от временных и пространственных домена соответственно.
Introduction
Электроэнцефалография (ЭЭГ) широко используется для записи электрической активности головного мозга человека в клинической диагностики и научных исследований, так как это неинвазивный, стоило низким и имеет очень высокое временнóе разрешение1. С целью изучения ЭЭГ сигналы в состоянии покоя, исследователи разработали много ЭЭГ методов (например, анализ спектра мощности, функциональные связи)2,3. Из них карликовые анализ и анализ сложности Омега может сделать хорошее использование пространственных и временных информации присущие ЭЭГ сигналы4.
Предыдущие исследования показали, что хотя топографические распределение ЭЭГ сигналы изменяется со временем в закрытые глаза или глаза открытом состоянии покоя, серии однократно карты показывают прерывного изменения ландшафтов, т.е. периоды стабильности переменного с короткой переходных периодов между некоторые квази стабильной ЭЭГ топографии5. Карликовые государства определяются как эти эпизоды с квази стабильной ЭЭГ топологий, которые длятся между 80 и 120 мс1. Поскольку различные электрические потенциал ландшафтов, должна быть сгенерирована различных нейронных источников, эти микросостояния могут квалифицироваться как основные блоки документации и может рассматриваться как «атомы мысли и эмоции»6. Используя современные модели классификации алгоритмов, четыре отдыха ЭЭГ микрогосударства классы последовательно наблюдались, которые были помечены как класса А, класса B, класс C и класса D7. Кроме того исследователи показали, что эти четыре микрогосударства классы отдыха данных ЭЭГ были тесно связаны с известных функциональных систем, наблюдаемые в многих отдыха государство МР-томографию (функциональная магнитно-резонансная томография) исследования8,9 . Таким образом анализ микрогосударства представила новый подход для изучения отдыха государственных сетей (RSNs) человеческого мозга. Кроме того средняя продолжительность и частота возникновения каждого класса микрогосударства, топографический форму четырех карт микрогосударства значительно под влиянием некоторых мозга расстройств4,10,11, и связаны с жидкости разведки12 и личности13.
В другой аспект традиционные функциональные связи многоканальной ЭЭГ можно описать только функциональные связи между двумя электродами волосистой части головы, таким образом удалось оценить глобальные функциональные соединения через головы или в пределах определенного региона мозга. Омега сложности, предложенный Wackermann (1996)14 и рассчитывается через подход, сочетающий в себе анализ главных компонент (СПС) и энтропии Шеннона, были использованы для количественной оценки широкополосной глобальной синхронизации между пространственно распространены мозга. Для того чтобы оценить сложность Омега каждого частот, Фурье часто проводилась как первый шаг25.
Карликовые государства и Омега сложности может использоваться для отражают две взаимосвязанные концепции, т.е., временные сложности и пространственной сложности4. Поскольку классы микрогосударства представляют определенных умственных операций в мозге человека, они могут отражать временной структуры нейронные колебания. Нижняя продолжительность и уровень вхождения в секунду должны указать выше временные сложности. Омега сложности положительно связано с числом независимых нейронных источников в мозге, таким образом обычно рассматриваются как индикатор пространственных сложности4.
В текущей статье описывается протокол анализа ЭЭГ карликовые и сложности Омега в деталях. Сложность анализа ЭЭГ карликовые и Омега предлагают возможность измерения временных и пространственных сложности деятельности мозга, соответственно.
Protocol
Representative Results
Discussion
В этой статье два вида ЭЭГ аналитических методов (то есть, карликовые анализ и анализ сложности Омега), измерения временной сложности и пространственная сложность человеческого мозга, соответственно, были описаны подробно. Есть несколько критических шагов в рамках протокола, который с…
Declarações
The authors have nothing to disclose.
Acknowledgements
Эта статья была поддержана Фонд национального естественных наук Китая (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 |
Referências
- 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).
