Microstate und Omega Komplexität Analysen der ruhenden Zustand Elektroenzephalographie
Summary
Dieser Artikel beschreibt die zugrunde liegenden Elektroenzephalographie (EEG) Microstate Protokollanalyse und Omega Komplexitätsanalyse, die zwei Referenz-freie EEG Maßnahmen sind und sehr wertvoll für die neuronalen Mechanismen von Erkrankungen des Gehirns zu erforschen.
Abstract
Komplexität, Microstate und Omega sind zwei Referenz-freie Elektroenzephalographie (EEG) Maßnahmen, die die zeitliche und räumliche Komplexität der EEG-Daten darstellen können und allgemein verwendet wurden, um die neuronalen Mechanismen in einige Erkrankungen des Gehirns zu untersuchen. Das Ziel dieses Artikels soll das Protokoll zugrunde liegenden EEG Microstate und Omega Komplexität Analysen Schritt für Schritt beschreiben. Der Hauptvorteil dieser beiden Maßnahmen ist, dass sie die Referenz-abhängige Problem mit traditionellen Spektrumanalyse beseitigen könnte. Darüber hinaus Microstate Analyse macht guten Gebrauch von hohe zeitliche Auflösung von ruhenden Zustand EEG, und die vier erhaltenen Microstate Klassen bzw. die entsprechenden Netzwerke ruhenden Zustand passen könnte. Die Omega-Komplexität charakterisiert die räumliche Komplexität des ganzen Gehirns oder bestimmten Gehirnregionen, die offensichtlichen Vorteil gegenüber traditionellen Komplexität Maßnahmen mit Schwerpunkt auf der Signal-Komplexität in einem einzigen Kanal hat. Diese zwei EEG-Maßnahmen könnte untersuchen die Gehirn Komplexität aus der zeitlichen und räumlichen Domäne bzw. ergänzen.
Introduction
Elektroenzephalographie (EEG) hat am meisten benutzt, um elektrische Aktivität des menschlichen Gehirns in wissenschaftliche Forschung und klinische Diagnose aufzunehmen, da es nicht-invasive, niedrig kalkuliert und sehr hohe zeitliche Auflösung1 hat. Um die EEG-Signale im Ruhezustand zu studieren, haben Forscher viele EEG-Techniken (z. B. Power-Spektrum-Analyse, funktionelle Verknüpfung Analyse)2,3entwickelt. Davon könnte Microstate und Omega Komplexitätsanalyse der räumlichen und zeitlichen Informationen innewohnt, EEG-Signale4nutzen.
Frühere Forschungen haben gezeigt, dass obwohl die topographische Verteilung der EEG-Signale im Laufe der Zeit im Auge geschlossen variiert oder Auge-offene Ruhezustand, die momentane Karten diskontinuierlicher Veränderungen von Landschaften zeigen, d. h. Perioden der Stabilität abwechselnd mit kurzen Übergangszeiten zwischen bestimmten quasi-stabil EEG Topographien5. Kleinstaaten sind definiert als diese Episoden mit quasi-stabil EEG Topographien, die zwischen 80 und 120 ms1dauern. Da verschiedene elektrische mögliche Landschaften von verschiedenen neuronalen Quellen generiert haben müssen, diese Kleinstaaten können gelten als die grundlegenden Bausteine der Dokumentation und können als “Atome von Gedanken und Emotionen”6. Moderne Muster-Klassifizierung-Algorithmen verwenden, haben vier ruht EEG Microstate Klassen konsequent beobachtet, die als Klasse A, Klasse B, Klasse C und Klasse D7beschriftet waren. Darüber hinaus ergab Forscher, dass diese vier Microstate Klassen der EEG-Daten im Ruhezustand eng mit bekannten Funktionssystemen beobachtet in vielen ruhenden Zustand fMRT (funktionelle Magnetresonanztomographie) Studien8,9 . Somit bot die Microstate Analyse einen neuartigen Ansatz um den ruhenden Zustand-Netzen (RSNs) des menschlichen Gehirns zu studieren. Darüber hinaus werden die durchschnittliche Dauer und Häufigkeit des Vorkommens der einzelnen Microstate Klassen, die topographische Form der vier Microstate Karten von einigen Gehirn Störungen4,10,11maßgeblich beeinflusst, und Fluide Intelligenz12 und Persönlichkeit13zugeordnet sind.
In den anderen Aspekt beschreiben traditionelle funktionelle Verknüpfung von Multi-Kanal-EEG nur die funktionalen Zusammenhänge zwischen zwei Kopfhaut Elektroden, somit nicht den globalen funktionelle Verknüpfung auf Kopfhaut oder innerhalb einer bestimmten Region des Gehirns zu beurteilen. Die Omega-Komplexität, von Wackermann (1996)14 vorgeschlagen und durch einen Ansatz kombiniert Hauptkomponentenanalyse (PCA) und Shannon Entropie berechnet wurde verwendet, um die Breitband-globale Synchronisation zwischen räumlich zu quantifizieren Hirnregionen verteilt. Bei der Beurteilung die Omega Komplexität jedes Frequenzband wurde Fourier-Transformation häufig als einen ersten Schritt25durchgeführt.
Die Kleinstaaten und Omega Komplexität lässt sich zwei eng miteinander verbundene Begriffe, d. h., die zeitlichen Komplexität und räumliche Komplexität4widerspiegeln. Da die Microstate Klassen bestimmte psychische Vorgänge im menschlichen Gehirn darstellen, können sie die zeitliche Struktur der neuronale Oszillationen reflektieren. Geringere Dauer und höhere Häufigkeit pro Sekunde müssen höheren zeitliche Komplexität angeben. Die Omega-Komplexität ist positiv in Zusammenhang stehen mit der Anzahl der unabhängigen neuronalen Quellen im Gehirn, so gelten Sie häufig als Indikator für räumliche Komplexität4.
Der aktuelle Artikel beschreibt das Protokoll des EEG Microstate und Omega Komplexitätsanalyse im Detail. Die EEG Microstate und Omega Komplexität Analysen bieten die Möglichkeit, die zeitliche und räumliche Komplexität der Aktivität des Gehirns bzw. zu messen.
Protocol
Representative Results
Discussion
In diesem Artikel zwei Arten von EEG analytische Methoden (z.B. Microstate Analyse und Omega Komplexitätsanalyse), Messung der zeitlichen Komplexität und räumliche Komplexität des menschlichen Gehirns bzw., wurden ausführlich beschrieben. Es gibt mehrere wichtige Schritte im Rahmen des Protokolls, die erwähnt werden sollten. Erstens müssen die EEG-Daten vor der Berechnung der Mikrostaat und Omega Komplexität gereinigt werden. Zweitens sollte die EEG-Daten gegen die durchschnittliche Referenz vor der Berechnung de…
Declarações
The authors have nothing to disclose.
Acknowledgements
Dieser Artikel wurde von der National Natural Science Foundation of China (31671141) unterstützt.
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).
