تطبيقات EEG البيانات تصوير الأعصاب: الإمكانيات ذات الصلة بالحدث، والسلطة، الطيفية، ومتعددة النطاقات الانتروبيا
Summary
تصوير الأعصاب الباحثين يأخذون في اعتبارهم استجابة الدماغ باعتبارها النشاط يعني عبر التجارب التجريبية المتكررة وتجاهل تقلب إشارة بمرور الوقت مع "الضجيج". ومع ذلك، فإنه أصبح من الواضح أن هناك إشارة في هذا الصخب. توضح هذه المقالة طريقة رواية متعددة النطاقات الكون لقياس تقلب إشارة الدماغ في المجال الزمني.
Abstract
عند النظر في البيانات تصوير الأعصاب البشرية، تقديرا لتقلب إشارة يمثل الابتكار الأساسية في الطريقة التي نفكر بها إشارة الدماغ. عادة، تمثل الباحثون استجابة الدماغ كما يعني عبر التجارب التجريبية المتكررة وتجاهل تقلبات إشارة مرور الوقت بأنها "الضوضاء". ومع ذلك، فإنه أصبح من الواضح أن تقلب إشارة الدماغ ينقل المعلومات وظيفية ذات مغزى حول ديناميات الشبكة العصبية. توضح هذه المقالة طريقة رواية متعددة النطاقات الكون (MSE) لقياس تقلب إشارة الدماغ. MSE قد تكون مفيدة بشكل خاص للديناميات الشبكة العصبية لأنه يظهر الاعتماد مقياس الوقت وحساسية لديناميات الخطية وغير الخطية في البيانات.
Introduction
التطورات الحديثة في التشخيص التصويري للأعصاب قد زادت بشكل كبير من فهمنا وظيفة الدماغ. ومع ذلك، فإن العديد من تطبيقات البيانات تصوير الأعصاب تميل إلى تعزيز وجهة نظر الدماغ في الولايات ثابت بدلا من التركيز على العمليات المعرفية وقوعها في الوقت الحقيقي. وبالتالي، لا يعرف إلا القليل حول بنية الزمكان شبكات الدماغ وكيف تسلسل التغيرات في أنماط الزمانية المكانية عبر نطاقات زمنية متعددة تساهم في عملية معرفية نوعية. يصف هذه المادة متعددة النطاقات الكون (MSE) 5، وأداة تحليلية جديدة لتصوير الأعصاب البيانات التي يدرس تعقيد نمط الزمانية المكانية الكامنة وراء عمليات الإدراك المحددة من خلال توفير المعلومات حول كيفية مولدات العصبية المختلفة في المخ وظيفية التواصل عبر شبكة فترات زمنية متعددة.
المستمدة من نظرية المعلومات، وهو فرع من الرياضيات التطبيقية 7،16، كان MSE الأصليلاي تهدف إلى دراسة تعقيد كهربية 4. من الناحية النظرية، MSE يمكن أن تستخدم لتحليل تعقيد أي سلسلة زمنية، والمطلوب الأساسي هو أن السلسلة الزمنية إشارة يحتوي على 50 نقطة على الأقل البيانات من الزمن المتواصل. ومع ذلك، يجوز للاعتماد الجدول الزمني والحساسية لديناميات الخطية وغير الخطية في البيانات جعل MSE بالمعلومات خاصة من ديناميات الشبكة العصبية.
هنا، ونحن نركز على تطبيق MSE لالكهربائي (EEG) تصوير الأعصاب بيانات 9،12. EEG هو تقنية تصوير الأعصاب موسع حيث الأقطاب التي توضع على فروة الرأس التقاط الردود بعد المشبكي من السكان من الخلايا العصبية في القشرة المخية الحديثة 1. مع القرار الزماني عالية، EEG تجتمع بسهولة الوقت طول سلسلة المطلوب من MSE دون تغيير بروتوكول اكتساب نموذجية. للتأكيد على جدوى تطبيق MSE إلى البيانات EEG، قارنا هذا الأسلوب رواية مع أكثر النهج مدفوع التقليديةuding ذات الصلة بالحدث الطاقة المحتملة والطيفية. عندما تستخدم معا، وهذه الأساليب التكميلية لتحليل تقدم وصفا أكثر اكتمالا من البيانات التي قد تؤدي إلى مزيد من التبصر في عمليات الشبكة العصبية التي تؤدي إلى الإدراك.
Protocol
Representative Results
Discussion
وكان الهدف من هذه المادة إلى تقديم وصف المفاهيمية والمنهجية متعددة النطاقات الكون (MSE) كما ينطبق على البيانات تصوير الأعصاب EEG. EEG يعد مصدرا قويا لتقنية تصوير الأعصاب غير الغازية الذي يقيس نشاط الشبكة العصبية مع القرار الزماني عالية. يعكس إشارة EEG النشاط بعد متشابك من السكان من الخلايا الهرمية في قشرة، التي يتم تعديلها بواسطة مختلف اتصالات إعادة مشترك مثير والمثبطة استجابات جماعية. وفقا لذلك، وهناك طرق متعددة لتحليل البيانات EEG ولكل طريقة استخراج ومن الجوانب الفريدة للبيانات.
ناقشنا اثنين من الطرق الشائعة لتحليل: المحتملة ذات الصلة بالحدث (ERP) تحليل وتحليل القدرة الطيفية. تحليل ERP يلتقط نشاط الخلايا العصبية متزامن في إشارة EEG التي هي مرحلة غير الساحلية إلى بداية حدثا منفصلة. نظم تخطيط موارد المؤسسات تعكس محددة الإدراك الحسي، والسيارات، أو العمليات المعرفية، مما يجعل هذه الإحصائية مثالية لدراسة المواصفاتمراحل التجهيز IFIC. تحليل القدرة الطيفية الكمي المساهمة النسبية لتردد معين لإشارة EEG. مختلف الحلقات ردود فعل مثير والمثبطة تتفاعل لجر النشاط من السكان العصبية في معين تردد 1،3. ويعتقد أن هذا التزامن بين مناطق الدماغ المتباينة لتعزيز ملزم من المعلومات عبر الشبكات العصبية على نطاق واسع. هناك أدب الغنية دعم الصلة بين السلطة ضمن نطاق تردد معين وحالة عاطفية أو إدراكية معينة من وظيفة 3.
عند تحليل EEG من المهم أيضا أن نأخذ في الاعتبار أن الشبكات العصبية والنظم المعقدة مع الديناميات غير الخطية. ويتجلى هذا التعقيد في إشارة EEG كما التذبذبات غير النظامية التي ليست هي نتيجة للضجيج في الخلفية لا معنى لها. مثل النشاط متذبذبة متزامن، والتفاعلات بين مختلف الحلقات إعادة مشترك مثير والمثبطة يسبب انفلونزا عابرةctuations في إشارة الدماغ مع مرور الوقت 6. ويعتقد أن هذه العابرين لتعكس التحولات أو التشعبات بين microstates شبكة الاتصال التي يمكن استخدامها لتقدير درجات الحرية أو تعقيد الشبكة الأساسية؛ أكبر تنوع في نمط السعة للإشارة مرور الوقت يدل على نظام أكثر تعقيدا 5. خطيرة، تخطيط موارد المؤسسات أو تحليلات القدرة الطيفية ليست حساسة لمثل هذا النشاط غير النظامية، في حين MSE هو. وعلاوة على ذلك، وهو مؤشر من تعقيد الشبكة لا يمكن الحصول عليها ببساطة عن طريق عد عدد من مناطق الدماغ النشطة لأن مثل هذا الأسلوب هو أعمى إلى التفاعلات المتكررة عابرة وديناميكية بين مناطق الدماغ.
أساليب مكملة لتصوير الأعصاب تحليل تتضافر لخلق صورة كاملة من النشاط العصبي الأساسي. وزادت تفسير النتائج من التطبيقات الأكثر تقليدية من البيانات تصوير الأعصاب، مثل تخطيط موارد المؤسسات والقدرة الطيفية، من خلال تدابير من التعقيد مثل MSE؛ MSE يوفر وسيلة لالتقاط سلسلة من التغييرات في أنماط الزمانية المكانية من نشاط الدماغ عبر نطاقات زمنية متعددة تساهم في عملية معرفية نوعية. تطبيق MSE إلى مجموعات البيانات الجديدة والقائمة قد توفر مزيد من التبصر في كيفية الإدراك يخرج من ديناميات الشبكة العصبية.
Disclosures
The authors have nothing to disclose.
Materials
| Name of Reagent/Material | Company | Catalogue Number | Comments |
| EEG | BioSemi |
References
- Bressler, S. L., Arbib, M. A. Event-related potentials. The Handbook of Brain Theory and Neural Networks. , 412-415 (2002).
- Bressler, S. L., McIntosh, A. R., Jirsa, V. K., McIntosh, A. R. The role of neural context in large-scale neurocognitive network operations. Springer Handbook on Brain Connectivity. , 403-419 (2007).
- Buzsaki, G. . Rhythms of the brain. , (2006).
- Costa, M., Goldberger, A., Peng, C. Multiscale entropy analysis of biological signals. Phys. Rev. E. 712, 1-18 (2005).
- Deco, G., Jirsa, V., McIntosh, A. R. Emerging concepts for the dynamical organization of resting-state activity in the brain. Nat. Rev. Neurosci. 12, 43-56 (2011).
- Friston, K. J. The labile brain. I. Neuronal transients and nonlinear coupling. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).
- Gatlin, L. . Information Theory and the Living System. , (1972).
- Heisz, J. J., Shedden, J. M. Semantic learning modifies perceptual face processing. Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).
- Heisz, J. J., Shedden, J. M., McIntosh, A. R. Relating brain signal variability to knowledge representation. NeuroImage. 63, 1384-13 (2012).
- Lake, D. E., Richman, J. S., Griffin, P., Moorman, J. R. Sample entropy analysis of neonatal heart rate variability. Am. J. Physiol. Regul. Integr. Comp. Physiol. 283, R789-R797 (2002).
- Lobaugh, N. J., West, R., McIntosh, A. R. Spatiotemporal analysis of experimental differences in event-related potential data with partial least squares. Psychophysio. 38, 517-530 (2001).
- McIntosh, A. R., Kovacevic, N., Itier, R. J. Increased brain signal variability accompanies behavioral variability in development. PLoS Computational Biology. 4, 7 (2008).
- Picton, T. W., Bentin, S., Berg, P., Donchin, E., Hillyard, S. A., Johnson, R., et al. Guidelines for using human event-related potentials to study cognition: Recording standards and publication criteria. Psychophysiology. 37, 127-152 (2000).
- Richman, J. S., Moorman, J. R. Physiological time series analysis using approximate entropy and sample entropy. Am. J. Physiol. Heart Circ Physiol. 278, H2039-H2049 (2000).
- Rossion, B., Jacques, C. Does physical interstimulus variance account for early electrophysiological face sensitivity responses in the human brain? Ten lessons on the N170. NeuroImage. 39, 1959-1979 (2008).
- Shannon, C. E. A Mathematical Theory of Communication. The Bell System Technical Journal. 27, 379-423 (1948).
- Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 116, 2266-2301 (2005).
- Vakorin, V. A., McIntosh, A. R., Rabinovich, M. I., Friston, K. J., Varona, P. Mapping the multi-scale information content of complex brain signals. Principles of Brain Dynamics: Global State Interactions. , (2012).
