JoVE Journal > Neuroscience
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Materials
References
Nederlands

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Neuroscience

Toepassingen van EEG Neuroimaging gegevens: Event-Related Potentials, Spectral Power, en Meerschalige Entropy

Published: June 27, 2013
doi:
10.3791/50131
,
1Rotman Research Institute,Baycrest

Summary

Neuroimaging onderzoekers overwegen over het algemeen de reactie van de hersenen als de gemiddelde activiteit in herhaalde experimentele proeven en te negeren signaal variabiliteit in de tijd als "ruis". Het is echter duidelijk dat er signaal dat ruis. Dit artikel beschrijft de nieuwe methode van multiscale entropie voor het kwantificeren van de hersenen het signaal variabiliteit in de tijd domein.

Abstract

Bij het overwegen van de menselijke neuroimaging data, een appreciatie van signaal variabiliteit betekent een fundamentele vernieuwing in de manier waarop we denken over de hersenen het signaal. Typisch, onderzoekers vertegenwoordigen reactie van de hersenen als het gemiddelde over herhaalde experimentele proeven en te negeren signaal schommelingen in de tijd als "ruis". Het wordt echter steeds duidelijker dat de hersenen het signaal variabiliteit overbrengt zinvolle functionele informatie over neuraal netwerk dynamiek. Dit artikel beschrijft de nieuwe methode van multiscale entropie (MSE) voor het kwantificeren van de hersenen het signaal variabiliteit. MSE kan bijzonder informatief van neurale netwerkdynamica omdat het laat tijdsbestek afhankelijkheid en gevoeligheid van lineaire en niet-lineaire dynamica in de data.

Introduction

Recente vooruitgang in neuroimaging dramatisch vergroot ons begrip van de hersenfunctie. Echter, veel van de toepassingen van neuroimaging data hebben de neiging om de mening van de hersenen in statische toestanden eerder versterken dan het benadrukken van cognitieve operaties zoals ze zich ontvouwen in real time. Derhalve is weinig bekend over de ruimte-tijd structuur hersenennetwerken en hoe de volgorde van veranderingen in spatiotemporele meerdere tijdschalen draagt ​​een specifieke cognitieve operatie. Het huidige artikel beschrijft multiscale entropie (MSE) 5, een nieuwe analytische tool voor neuroimaging data dat de complexiteit van de spatiotemporele patroon ten grondslag ligt aan specifieke cognitie operaties door het verstrekken van informatie over hoe de verschillende neurale generatoren in een functionele brein netwerk communiceren over meerdere termijnen onderzoekt.

Afgeleid uit informatie theorie, een toegepaste tak van de wiskunde 7,16, MSE was origineelly om de complexiteit van elektrocardiogrammen 4 onderzoeken. Theoretisch zouden MSE worden gebruikt om de complexiteit van een tijdreeksanalyse, het primaire vereiste dat het signaal tijdreeksen bevat tenminste 50 datapunten in continue tijd. Echter, de tijdschaal afhankelijkheid en gevoeligheid van lineaire en niet-lineaire dynamica in de gegevens merk MSE bijzonder verhelderend van neurale netwerkdynamiek.

Hier richten we ons op de toepassing van MSE op elektro-encefalogram (EEG) neuroimaging data 9,12. EEG is een niet-invasieve beeldvormende techniek waarbij elektroden die op de hoofdhuid worden geplaatst vangen de postsynaptische respons van populaties van neuronen in de neocortex 1. Met een hoge tijdsresolutie, EEG ruimschoots aan de tijdreeksen lengte vereiste van MSE zonder de typische acquisitie protocol. Om het nut van de toepassing van MSE om EEG-gegevens benadrukken, vergelijken we deze nieuwe methode met meer traditionele benaderingen including event-gerelateerde mogelijkheden en spectraal vermogen. Wanneer ze samen gebruikt, deze complementaire analysemethoden zorgen voor een meer volledige beschrijving van de gegevens die kunnen leiden tot meer inzicht in neuraal netwerk handelingen die aanleiding geven tot cognitie.

Protocol

1. EEG Acquisitie Leg de experimentele procedures om de deelnemer en het verkrijgen van informed consent. Solliciteer vervolgkeuzelijsten elektroden. Schone ruimte op het gezicht waar de drop-down elektroden zal worden gevestigd met een alcoholdoekje. Plaats elektrode cap op het hoofd van de deelnemer. Meet deelnemer hoofdomtrek en kies de juiste cap maat. Naar aanleiding van de internationaal erkende 10-20 systeem voor plaatsing van de elektroden, meet de afstand van nasion naar INION over de middellijn en delen door 10%. Met behulp van dat aantal, meten van nasion en mark. Lijn de elektrode cap positie Fp met dit merk en trek de dop terug. Zorg ervoor dat het midden van de kap is in lijn met de neus. Meten nasion naar CZ, en bevestigen dat deze afstand is de helft van de afstand van nasion tot INION. Draai de kinband. Plaats de gel-gevulde stompe punt spuit in de houders elektrode. Een geleidende gel kolom maken, begint in contact metde hoofdhuid, knijp en trek terug. Merk op dat de toepassing van teveel gel de signalen van naburige elektroden overbruggen. Fix actieve elektroden in de houders elektrode. Plaats het onderwerp voor het beeldscherm op de juiste afstand van het experiment. Vraag de deelnemer om stil te blijven, met de nadruk op het belang van de bewegingen en knippert oog minimaliseren voor een schone opname. Onderzoekt de elektrode aansluitingen en EEG-signaal kwaliteit op de overname computer. Controleer of alle elektroden offsets zijn laag (<40 mV) en stabiel. Als er een probleem is met een bepaalde elektrode, neem dat elektrode en opnieuw gel om impedanties te passen op die site. Sla het bestand op en start het experiment. 2. EEG Analyse Na experimenteren, maar voor de extractie van de bijzondere statistiek van belang, preprocess de continue EEG-gegevens aan artefacten met behulp van standaard procedures van het filteren van een te verwijderennd artefact afwijzing. Snijd de continue EEG in tijdperken overeenkomstig elke afzonderlijke gebeurtenis, zoals de voorstelling van foto. In ieder tijdperk, onder andere een 100 msec pre-stimulus venster als een baseline. Event-related potentials (ERP) analyse vangt synchrone hersenactiviteit die fasevergrendelde om het begin van de gebeurtenis. Gemiddelde over proeven om de reacties van de consument te scheiden van de "luidruchtige" (dwz niet-phase locked) achtergrond activiteit. De variabiliteit in de onderzoeken en de tussen-proefpersonen vormt een grote uitdaging voor de ERP-analysemethode. Om een ​​goede signaal-ruisverhouding te bereiken het experimentele protocol moet omvatten vele discrete gebeurtenissen met definieerbare aanzetten. Time vergrendelen reactie van de hersenen om het begin van een opvallende gebeurtenis en vervolgens gemiddeld over vele achtige verschijnselen helpt een deel van deze ruis, maar de tijd synchronie gemaakt volgens deze werkwijze lost meestal binnen 1 sec. Identificeer ERP component piekamplitudes en latencies voor elke subject (voor meer gedetailleerde richtsnoeren over ERP-analyse, zie Picton et al.., 2000). Gebruik Fourieranalyse, transformeren de EEG signaal van het tijdsdomein naar het frequentiedomein en ontleden van het signaal in zijn samengestelde sinusgolven van verschillende frequenties 6. Multiscale entropie (MSE) is een informatie-theoretische metrische dat de variabiliteit van de neuroelectical signalen over de tijd en over meerdere termijnen schat. Een conceptuele afbeelding van MSE analyses, overwegen twee gesimuleerde golfvormen, een regelmatige golfvorm en een meer stochastische een. Monster entropie waarden zijn bijna nul voor de regelmatige golfvorm en ~ 2.5 voor de meer variabele golfvorm. Een toename van de entropie monster komt overeen met een toename van signaal complexiteit die volgens informatietheorie kan worden geïnterpreteerd als een toename van de hoeveelheid informatie verwerkingscapaciteit van het onderliggende systeem 7,16. Vergeet niet dat de capaciteit van een brein niet vast maar verandert DEPEnding de neurale context 2, dwz de hersengebieden die toevallig functioneel aangesloten op een bepaald tijdstip. Om MSE berekenen, gebruikt het algoritme beschikbaar op www.physionet.org/physiotools/mse/ , die MSE berekent in twee stappen. Ten eerste, het algoritme geleidelijk omlaag-monsters van de EEG tijdreeksen per proces en per aandoening. Down-monster de oorspronkelijke tijdreeks om meerdere tijdreeksen van verschillende tijdschema's te genereren. Tijdreeksen 1 is de oorspronkelijke tijdreeks. Om de tijdreeksen van latere tijdschalen maken, verdeel de oorspronkelijke tijdreeks in niet-overlappende vensters van de tijdschaal lengte en het gemiddelde van de gegevens punten binnen elk venster. Down-sampling is vergelijkbaar met low-pass filter, het verdelen van de bemonsteringsfrequentie van de tijdschaal benadert de frequentie waarop het signaal is met laagdoorlaatfilter voor die bepaalde tijdschaal. De toepassing van MSE op een parname frequentiebereik (bijvoorbeeld alfa: 9 Hz tot 12 Hz) kan worden geïnterpreteerd als de samenstelling van ritmes binnen die groep en de interactie tussen deze frequenties. Ten tweede, het algoritme berekent de steekproef entropie voor elk grofkorrelige tijdreeksen 14. Voorbeeld entropie schat de complexiteit van een tijdreeks. In een niet-lineaire analyse van EEG, men ervan uitgaat dat een individuele tijdreeks vertegenwoordigt de manifestatie van een onderliggend multi-dimensionale niet-lineaire dynamische model (zie Stam, 2005 voor een overzicht). In dit voorbeeld is m (lengte van het patroon) ingesteld op twee, waardoor de variabiliteit van de amplitude patroon van telkens serie tweedimensionale versus drie-dimensionale ruimte wordt vertegenwoordigd door overwegen de sequentie patroon van twee tegenover drie opeenvolgende gegevenspunten respectievelijk. Parameter r (de gelijkenis criterium), weerspiegelt de amplitudebereik (aangeduid door de hoogte van de gekleurde banden) waarbinnen gegevens wijst eenre beschouwd als "match". Voor een typische EEG tijdreeks met meer dan 100 datapunten, stelt u de parameter m gelijk is aan 2 en de parameter r gelijk aan een waarde tussen 0,5 en 1 (zie Richman en Moorman, 2000, voor een gedetailleerde procedure voor het selecteren van parameters verwijzen naar Lake et al.., 2002). Te proeven entropie te berekenen voor deze gesimuleerde tijdreeksen, beginnen met de eerste twee-componenten opeenvolging patroon, rood-oranje. Eerste Tel het aantal keren dat de rood-oranje sequencepatroon optreedt in de tijdreeksen, er zijn 10 resultaten voor deze tweecomponenten sequentie. Tweede Tel het aantal keer eerste drie componenten sequentie patroon, rood-oranje-geel komt in de tijdreeksen, er zijn 5 resultaten voor deze drie componenten sequentie. Ga verder met dezelfde handelingen voor de komende twee-componenten-sequentie (oranje-geel) en de volgende drie componenten sequence (oranje-geel-groen) van de tijdreeks. Het aantal twee-componenten wedstrijden (5) en drie-component wedstrijden (3) voor deze sequentiëleces worden toegevoegd aan de vorige waarden (totale resultaat tweecomponenten = 15; totaal drie componenten wedstrijden = 8). Herhalen voor alle andere sequentie wedstrijden in de tijdreeks (tot N – m) aan de totale verhouding van overeenkomsten twee-component driecomponenten gelijken bepalen. Monster entropie is de natuurlijke logaritme van deze verhouding. Voor elk onderwerp, bereken het kanaal specifieke MSE schatting als het gemiddelde over enkel proces entropie maatregelen voor elke tijdschaal.

Representative Results

Figuren 1A en 2A geven de EEG-signaal in reactie op de presentatie van een gezichtsbeeld. Middeling over als proeven produceert een ERP-golfvorm die bestaat uit een reeks van positieve en negatieve doorbuigingen genaamd ERP componenten. Figuur 1B illustreert een gemiddelde golfvorm voor een enkel onderwerp en Figuur 6A illustreert een groots gemiddelde golfvorm voor een groep proefpersonen. Er is een rijke literatuur die elk ERP component op een specifiek perceptuele motorische of cognitieve werking. Bijvoorbeeld, de N170 is een negatieve deflectie die pieken bij ongeveer 170 msec na stimulusaanvang en is betrokken bij verwerking van gezichten 8,15. Figuur 2B illustreert de ontleding van hetzelfde EEG-signaal in componenten frequentiebanden. De resultaten van spectrale analyse blijkt de frequentie-inhoud van het signaal (figuur 2C), waarbijeen vermogenstoename met een bepaalde frequentie weerspiegelt een toename van de aanwezigheid van dat ritme binnen het EEG-signaal. Zoals kleurspectrum, MSE gevoelig voor de complexiteit van de oscillerende elementen die bijdragen aan het signaal. In tegenstelling kleurspectrum, MSE is ook gevoelig voor de interacties tussen frequentiecomponenten (dwz lineaire dynamica 18). De complexiteit van een EEG signaal wordt weergegeven als een functie van het monster entropie (figuur 5) over verschillende tijdschalen (figuur 4). Zoals geïllustreerd in figuur 3, monster entropie laag voor normale signalen en neemt toe met de mate van willekeur signaal. In tegenstelling tot traditionele entropie maatregelen die toename met mate van willekeur, multiscale entropie is in staat om complexe signalen onderscheiden van witte ruis door te overwegen entropie over meerdere termijnen. Bijvoorbeeld, Costa et al., 2005. Vergeleken multiscale entropiewaarden fof niet-gecorreleerde (witte) ruis versus gecorreleerde (roze) ruis. Terwijl monster entropie was groter voor witte ruis dan roze ruis op fijne tijdschaal, werd het tegenovergestelde waargenomen bij grovere tijdschalen 5-20. Met andere woorden, wanneer entropie meerdere tijdschalen vonden om de ware complexiteit van de signalen was beter vertegenwoordigd zou zijn dan wanneer slechts een tijdschaal beschouwd. Afhankelijk van de temporele dynamiek van een specifiek contrast, kan aandoening effecten worden uitgedrukt: 1) op dezelfde manier in alle tijdschalen, 2) op een bepaald tijdschema, maar niet andere, of 3) als crossover effecten waarbij het contrast is verschillend op prima versus grovere tijdschalen. Figuur 6 toont aandoening verschillen in ERP (figuur 6A), spectraal vermogen (figuur 6B), MSE (figuur 6C) contrasterende de eerste versus herhaalde presentaties van gezicht foto 9. In dit voorbeeld geconvergeerde alle maatregelen te onthullenhetzelfde effect, maar de waargenomen afname in entropie monster dat gezicht herhaling begeleidt is belangrijk omdat het beperkt de interpretatie van de resultaten. Een afname in complexiteit suggereert dat de onderliggende functionele netwerk eenvoudiger en kan verwerken minder informatie. Figuur 7 toont de statistische resultaten van de multivariate analyse van partiële kleinste kwadraten-11 toegepast op ERP, spectrale macht en MSE. Het experiment gemanipuleerd de bekendheid geassocieerd met verschillende gezichten (Heisz et al.., 2012). Het contrast (staafdiagram) toont aan dat ERP amplitude onderscheiden nieuwe gezichten van bekende gezichten, maar niet tot de bekende gezichten die in hoeveelheid eerdere blootstelling gevarieerd. Kleurspectrum onderscheiden gezichten volgens verworven bekendheid maar wist niet nauwkeurig onderscheid tussen de gezichten van de midden-en lage bekendheid. MSE was het meest gevoelig voor de aandoening verschillen in de steekproef entropie toenemendeed met toenemende gezicht vertrouwdheid. Het beeld plots vangen de tijdruimtelijke verdeling van de aandoening effect in alle elektroden en tijd / frequentie / tijdschaal. Dit voorbeeld toont een situatie waarin de analyse van EEG door MSE geproduceerd unieke informatie die niet is verkregen met behulp van traditionele methoden ERP of spectrale vermogensdichtheid. Dit verschil in de MSE stelt de voorwaarden verschillen met betrekking tot lineaire aspecten van de netwerkdynamiek, waarbij eventueel de interacties tussen verschillende frequentiecomponenten. Figuur 1. A) de EEG respons van een subject als een functie van de amplitude afbuiging van basislijn voor elk onderzoek uitgezet tegen de tijd vanaf het begin van de proef. Elke proef bestond uit de presentatie van een foto afbeelding van een gezicht van. Positieve amplitude doorbuiging zijn afgebeeld inrood; negatieve amplitude doorbuiging zijn weergegeven in blauw. Alle studies tonen een positieve uitslag rond de 100 msec en 250 msec, met vermelding van event-gerelateerde phase-locked-activiteit. B) Middeling over alle proeven in figuur 1A produceert een gemiddeld ERP golfvorm met verschillende positieve en negatieve doorbuigingen genaamd event-gerelateerde componenten en benoemd volgens een standaard nomenclatuur. Bijvoorbeeld, P1 is de eerste positieve gaande component, en N170 is een negatieve component die pieken op ongeveer 170 msec post-stimulus onset. Figuur 2. A) Het EEG respons van een enkel onderwerp voor een enkel proces plotten amplitude door de tijd (in datapunten, sampling rate 512 Hz). B) Het EEG respons van figuur 2A bandpass gefilterd om frequentiebanden van delta isoleren(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) en gamma (> 30 Hz). C) spectrale vermogensdichtheid van de EEG respons in figuur 2A die frequentiesamenstelling van het signaal als functie van energie per frequentie. Een toename van spectrale vermogen bij een bepaalde frequentie weerspiegelt een toename van het aantal neuronen synchroon werkzame meegevoerd binnen de betrokken frequentieband. Klik hier om een grotere afbeelding te bekijken . Figuur 3 A) twee gesimuleerde golfvormen:.. Normale of voorspelbare golfvorm weergegeven in paars en een stochastische golfvorm weergegeven in zwart B) Voorbeeld entropie van de twee gesimuleerde golfvormen voor de eerste drie tijdschalen. Monster entropy is laag voor zeer voorspelbaar signalen dan meer stochastische signalen. Klik hier om een grotere afbeelding te bekijken . Figuur 4. Down-bemonstering van de oorspronkelijke tijdreeks genereert meerdere tijdreeksen van verschillende tijdschalen. Tijdschaal 1 is de oorspronkelijke tijdreeks. De tijdreeks van de tijdschaal 2 wordt gecreëerd door het verdelen van de oorspronkelijke tijdreeks in niet-overlappende vensters van lengte 2 en het gemiddelde van de gegevens punten binnen elk venster. Om de tijdreeksen van latere termijnen te genereren, verdelen de oorspronkelijke tijdreeks in niet-overlappende vensters van de tijdschaal lengte en het gemiddelde van de gegevens punten binnen elk venster. Figuur 5. Een gesimuleerde golfvorm waar elke rechthoek stelt een enkel data punt in de tijdreeks. Sample entropie schat de variabiliteit van een tijdreeks. In dit voorbeeld is m (lengte van het patroon) ingesteld op twee, waardoor de variatie van de amplitude patroon van telkens serie tweedimensionale versus drie-dimensionale ruimte wordt vertegenwoordigd door overwegen de sequentie patroon van twee tegenover drie opeenvolgende gegevenspunten, respectievelijk r (de gelijkenis criterium), geeft de amplitude range (aangegeven door de hoogte van de gekleurde banden) waarbinnen gegevenspunten worden als "match". Te proeven entropie te berekenen voor deze gesimuleerde tijdreeksen, beginnen met de eerste twee-componenten opeenvolging patroon, rood-oranje. Eerste Tel het aantal keren dat de rood-oranje sequencepatroon optreedt in de tijdreeksen, er zijn 10 resultaten voor deze tweecomponenten sequentie. Ten tweede, tel het aantal keren dat de eerste drie componenten opeenvolging patroon, rood-oranje-yellow, komt voor in de tijdreeksen, er zijn 5 wedstrijden voor deze drie-component volgorde. Ga op deze manier voor de komende twee-componenten-sequentie (oranje-geel) en drie-componenten-sequence (oranje-geel-groen). Het aantal tweecomponenten matches (5) en drie-componenten matches (3) van deze sequenties worden toegevoegd aan de vorige waarden (totale tweecomponenten wedstrijden = 15; totaal drie componenten wedstrijden = 8). Herhalen voor alle andere sequentie wedstrijden in de tijdreeks (tot N – m) aan de totale verhouding van overeenkomsten twee-component driecomponenten gelijken bepalen. Monster entropie is de natuurlijke logaritme van deze verhouding. Voor elk onderwerp, bereken het kanaal specifieke MSE schatting als het gemiddelde over enkel proces entropie maatregelen voor elke tijdschaal. Figuur 6. Staat verschillen in ERP (A), kleurspectrum (B),MSE (C) tegenover de initiële en herhaalde presentaties van gezichts foto. Klik hier om een grotere afbeelding te bekijken . Figuur 7. Contrasterende de EEG respons op geleerde gezichten over maatregelen van ERP, spectraal vermogen, en multiscale entropie. De grafieken tonen het contrast tussen de voorwaarden zoals bepaald door partiële kleinste kwadraten analyse 11. Het beeld plot wijst op de ruimtelijk-temporele verdeling waarbij deze tegenstelling was meest stabiele zoals bepaald door bootstrapping. De waarden geven ~ z-scores en negatieve waarden duiden betekenis voor de inverse conditie effect. Klik hier om een grotere afbeelding te bekijken .

Discussion

Het doel van dit artikel was om een ​​conceptuele en methodologische beschrijving van multiscale entropie (MSE) geven zoals dit geldt voor EEG neuroimaging data. EEG is een krachtige niet-invasieve beeldvormende techniek die neuraal netwerk activiteit meet met de hoge temporele resolutie. De EEG-signaal weerspiegelt post-synaptische activiteit van populaties van piramidale cellen in de cortex, waarvan de gezamenlijke reacties worden gewijzigd door verschillende prikkelende en remmende reentrant aansluitingen. Dienovereenkomstig, er zijn meerdere manieren om EEG-gegevens te analyseren en elke methode haalt een uniek aspect van de data.

We bespraken twee gemeenschappelijke analysemethoden: event-related potential (ERP)-analyse en spectrale macht analyse. ERP analyse vangt de synchrone neuronale activiteit in het EEG signaal dat in fase vergrendeld aan het begin van een discrete gebeurtenis. ERP's weerspiegelen specifieke perceptuele, motorische of cognitieve operaties, waardoor deze statistiek ideaal voor de behandeling specific verwerking stadia. Spectrale analyse kwantificeert de relatieve bijdrage van een bepaalde frequentie het EEG-signaal. Verschillende prikkelende en remmende feedback loops interactie insluiten van de activiteit van neuronale populaties met een bepaalde frequentie 1,3. Dergelijke synchroniteit tussen verschillende hersengebieden wordt gedacht de binding van informatie in brede neurale netwerken promoten. Er is een rijke literatuur ter ondersteuning van de koppeling tussen de macht binnen een bepaald frequentiebereik en een specifieke emotionele of cognitieve toestand van de functie 3.

Bij het analyseren van EEG is het ook belangrijk om in gedachten te houden dat neurale netwerken zijn complexe systemen met niet-lineaire dynamica. Een dergelijke complexiteit wordt weerspiegeld in het EEG signaal onregelmatige schommelingen die niet het gevolg zijn van betekenis achtergrondruis. Zoals synchrone oscillerende activiteit, de interacties tussen verschillende prikkelende en remmende reentrant loops veroorzaken voorbijgaande griepctuations in de hersenen het signaal in de tijd 6. Dergelijke overgangen worden verondersteld overgangen of bifurcaties tussen netwerk microstates die kunnen worden gebruikt om het aantal vrijheidsgraden of de complexiteit van het onderliggende netwerk schatten weerspiegelen; grotere variabiliteit in de patroon amplitude van het signaal in de tijd is een indicatie van een meer complex systeem 5. Kritisch, ERP of spectrale vermogensdichtheid analyses zijn niet gevoelig voor dergelijke onregelmatige activiteiten, terwijl MSE is. Bovendien kan een index van netwerkcomplexiteit niet worden verkregen door het tellen van het aantal actieve hersengebieden als dergelijke methode blind voor de tijdelijke en dynamische recurrente interacties tussen hersengebieden.

Complementaire methoden voor neuroimaging analyse te combineren tot een compleet beeld van de onderliggende neurale activiteit te creëren. De interpretatie van de resultaten van de meer traditionele toepassingen van neuroimaging data, zoals ERP en spectraal vermogen, worden aangevuld met maatregelen van de complexiteit zoals MSE, MSE biedt een manier om de volgorde van veranderingen vangen in de spatiotemporele hersenactiviteit in verschillende tijdsschalen bijdraagt ​​aan een specifieke cognitieve operatie. Het toepassen van MSE om nieuwe en bestaande datasets kan meer inzicht geven in hoe cognitie blijkt uit neuraal netwerk dynamiek.

Disclosures

The authors have nothing to disclose.

Materials

Name of Reagent/Material Company Catalogue Number Comments
EEG BioSemi
DOWNLOAD MATERIALS LIST

References

  1. Bressler, S. L., Arbib, M. A. Event-related potentials. The Handbook of Brain Theory and Neural Networks. , 412-415 (2002).
  2. 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).
  3. Buzsaki, G. . Rhythms of the brain. , (2006).
  4. Costa, M., Goldberger, A., Peng, C. Multiscale entropy analysis of biological signals. Phys. Rev. E. 712, 1-18 (2005).
  5. 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).
  6. Friston, K. J. The labile brain. I. Neuronal transients and nonlinear coupling. Philos. Trans. R. Soc. Lond. B. Biol. Sci. 355, 215-236 (2001).
  7. Gatlin, L. . Information Theory and the Living System. , (1972).
  8. Heisz, J. J., Shedden, J. M. Semantic learning modifies perceptual face processing. Journal of Cognitive Neuroscience. 21, 1127-1134 (2009).
  9. Heisz, J. J., Shedden, J. M., McIntosh, A. R. Relating brain signal variability to knowledge representation. NeuroImage. 63, 1384-13 (2012).
  10. 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).
  11. 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).
  12. McIntosh, A. R., Kovacevic, N., Itier, R. J. Increased brain signal variability accompanies behavioral variability in development. PLoS Computational Biology. 4, 7 (2008).
  13. 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).
  14. 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).
  15. 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).
  16. Shannon, C. E. A Mathematical Theory of Communication. The Bell System Technical Journal. 27, 379-423 (1948).
  17. Stam, C. J. Nonlinear dynamical analysis of EEG and MEG: review of an emerging field. Clinical Neurophysiology. 116, 2266-2301 (2005).
  18. 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).

Tags

EEG NeuroimagingEvent-related PotentialsSpectral PowerMultiscale EntropyBrain Signal VariabilityNeural Network Dynamics

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Heisz, J. J., McIntosh, A. R. Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy. J. Vis. Exp. (76), e50131, doi:10.3791/50131 (2013).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image