Applicazioni di EEG dati Neuroimmagine: potenziali evento-correlati, spettrale di potenza, e multiscala Entropy

Figure 1A e 2A rappresentano il segnale EEG in risposta alla presentazione di una immagine facciale. Media attraverso come prove produce una forma d'onda ERP che consiste di una serie di deviazioni positive e negative chiamato componenti ERP. Figura 1B illustra una forma d'onda mediato per un singolo oggetto e la Figura 6A illustra una forma d'onda media grande per un gruppo di soggetti. Esiste una ricca letteratura che riguarda ogni componente ERP ad una specifica percettivi, motori o funzionamento cognitivo. Per esempio, l'N170 è una deflessione negativa che picchi a circa 170 msec post-stimolo insorgenza ed è implicato nella faccia di elaborazione 8,15. La Figura 2B illustra la decomposizione dello stesso segnale EEG in bande di frequenza componenti. I risultati di analisi spettrale rivelano il contenuto in frequenza del segnale (Figura 2C), per cuiun aumento di potenza a una particolare frequenza riflette un aumento nella presenza di quel ritmo all'interno del segnale EEG. Come potenza spettrale, MSE è sensibile alla complessità dei componenti oscillatorie contribuiscono al segnale. Tuttavia, a differenza di potenza spettrale, MSE è anche sensibile alle interazioni tra componenti di frequenza (cioè non lineare dinamica 18). La complessità di un segnale EEG è rappresentato come una funzione di entropia campione (Figura 5) su più scale temporali (Figura 4). Come illustrato in figura 3, campione entropia è bassa per segnali regolari ed aumenta con il grado di casualità segnale. A differenza dei tradizionali misure di entropia che aumentano con il grado di casualità, multiscala entropia è in grado di distinguere i segnali complessi da rumore bianco considerando l'entropia in più tempi. Per esempio, Costa et al., 2005 rispetto multiscala valori entropia fo non correlati (bianco) contro il rumore correlato (rosa) di rumore. Mentre campione entropia è stata maggiore per il rumore bianco di rumore rosa al bene temporale, l'opposto è stato osservato in tempi più grossolani 5-20. In altre parole, quando l'entropia era considerato su più tempi, la vera complessità dei segnali è stata rappresentata più accuratamente di quanto sarebbe se solo una singola scala temporale è stato considerato. A seconda delle dinamiche temporali di un contrasto specifico, gli effetti delle condizioni possono essere espressi: 1) nello stesso modo in tutti i tempi, 2) in alcuni tempi, ma non altre, o 3) come effetti di crossover in cui il contrasto è diverso rispetto al bene più grossolana tempi. La Figura 6 illustra le differenze condizione in ERP (Figura 6A), potenza spettrale (Figura 6B), MSE (Figura 6C) contrastanti le presentazioni iniziali contro la ripetizione di fotografie del viso 9. In questo esempio tutte le misure convergevano a rivelarelo stesso effetto, tuttavia, la diminuzione osservata nel campione entropia che accompagna faccia ripetizione è importante in quanto vincola l'interpretazione dei risultati. Una diminuzione della complessità suggerisce che la rete funzionale sottostante è più semplice e meno in grado di elaborare le informazioni. La figura 7 illustra i risultati statistici dell'analisi multivariata di parziale minimi quadrati 11 applicate alla ERP, spettrale e MSE. L'esperimento manipolato la familiarità associato con diverse facce (Heisz et al., 2012). Il contrasto (grafico a barre) mostra che ERP ampiezza distingue volti nuovi da volti familiari, ma non tra i volti noti che varia in quantità di una precedente esposizione. Spettrale di potenza distinti affronta secondo la familiarità acquisita ma non distingueva accuratamente tra i volti di media e bassa familiarità. MSE è stato più sensibile alle differenze di condizione in quel campione entropia valori crescentendr con crescente familiarità faccia. Le trame di immagini catturano la distribuzione spazio-temporale degli effetti condizione attraverso tutti gli elettrodi e il tempo / frequenza / tempi. Questo esempio mostra una situazione in cui l'analisi EEG da MSE prodotta informazioni uniche che non è stato ottenuto con metodi tradizionali di ERP o potenza spettrale. Questa divergenza di MSE suggerisce che le condizioni sono diverse rispetto ad aspetti non lineare di dinamiche di rete, eventualmente coinvolgendo le interazioni tra i vari componenti di frequenza. Figura 1. A) Le risposte EEG di un singolo soggetto in funzione della deflessione ampiezza dal basale per ogni prova rilevata in tempo fin dall'inizio del processo. Ogni prova consisteva nella presentazione di una fotografia di un volto. Deviazioni ampiezza positivi sono rappresentati inrosso; deviazioni ampiezza negativi sono rappresentati in blu. Tutti gli studi mostrano una deflessione positiva intorno a 100 msec e 250 msec, indicando evento-correlati aggancio di fase di attività. B) della media in tutti gli studi descritti in Figura 1A produce una forma d'onda ERP mediato con deviazioni positive e negative distinte chiamate componenti evento-correlati e di nome secondo una nomenclatura standard. Per esempio, P1 è il primo componente andando positivo, ed N170 è un componente negativa che picchi a circa 170 msec post-stimolo insorgenza. Figura 2. A) La risposta EEG di un soggetto unico per un singolo trial tramando ampiezza di tempo (in punti dati, frequenza di campionamento 512 Hz). B) La risposta EEG di Figura 2A banda filtrato per isolare le bande di frequenza di delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gamma (> 30 Hz). C) densità di potenza spettrale della risposta EEG illustrato nella figura 2A rappresenta composizione frequenza del segnale in funzione della potenza per frequenza. Un aumento di potenza spettrale ad una particolare frequenza riflette un aumento del numero di neuroni sincrono attivi trascinati all'interno di quella particolare banda di frequenza. clicca qui per ingrandire la figura . Figura 3 A) Due forme d'onda simulate:.. Una forma d'onda regolare o prevedibile raffigurato in viola, e una forma d'onda più stocastico raffigurato in nero B) valori di entropia del campione delle due forme d'onda simulate per i primi tre tempi. Entr campioneopia è bassa per i segnali altamente prevedibili rispetto a segnali più stocastici. Clicca qui per ingrandire la figura . Figura 4. Down-campionamento della serie storica originale genera serie multiple nel tempo di diverse scale temporali. Tempistica 1 è la serie storica originale. La serie storica dei tempi 2 è creato dividendo la serie storica originale in non-finestre sovrapposte di lunghezza e 2 punti la media dei dati all'interno di ogni finestra. Per generare la serie storica dei tempi successivi, dividere la serie storica originale in finestre non sovrapposti della lunghezza e media scala temporale i punti di dati all'interno di ogni finestra. Figura 5. Una forma d'onda simulato dove ogni rettangolo rappresenta un singolo punto di dati in serie temporale dell'entropia. Campione stima la variabilità di una serie temporale. In questo esempio, m (la lunghezza del pattern) è impostato a due, il che significa che la varianza del modello ampiezza di ogni serie temporale sarà rappresentata in uno spazio bidimensionale rispetto tridimensionale considerando il pattern di sequenza di due contro tre consecutivi punti di dati, rispettivamente, R (il criterio di similitudine), riflette l'intervallo di ampiezza (indicato con l'altezza delle bande colorate) all'interno del quale sono considerati punti dati di "match". Per calcolare campione dell'entropia per questa serie temporali simulate, iniziare con il primo pattern sequenza bicomponente, rosso-arancio. Prima, contare il numero di volte che l'espressione sequenza rosso-arancio si verifica nella serie temporale, ci sono 10 partite per questa sequenza a due componenti. Secondo, contare il numero di volte prima tricomponente modello sequenza, rosso-arancio-yellow, si verifica nella serie storica, ci sono 5 partite per questa sequenza a tre componenti. Continuare in questo modo per la successiva sequenza a due componenti (giallo-arancio) e di tre componenti di sequenza (giallo-verde-arancio). Il numero di partite a due componenti (5) e le partite a tre componenti (3) per queste sequenze vengono aggiunti ai valori precedenti (totale bicomponente partite = 15; totali match a tre componenti = 8). Ripetere l'operazione per tutte le altre partite di sequenza nelle serie temporali (fino a N – m) per determinare il rapporto totale di partite a due componenti per le partite a tre componenti. Entropia campione è il logaritmo naturale di questo rapporto. Per ogni soggetto, calcolare la stima MSE specifico canale come il mezzo attraverso singole misure di entropia di prova per ogni scala temporale. Figura 6. Differenze di condizione in ERP (A), potenza spettrale (B),MSE (C) contrasta le presentazioni iniziali o ripetuta di fotografie del viso. Clicca qui per ingrandire la figura . Figura 7. Contrastando la risposta EEG ai volti apprese attraverso misure di ERP, di potenza spettrale, e multiscala entropia. I grafici a barre rappresentare il contrasto tra le condizioni, come determinato dal parziale minimi quadrati analisi 11. La trama immagine mette in evidenza la distribuzione spazio-temporale in cui questo contrasto era più stabile, come determinato dal bootstrap. I valori rappresentano ~ punteggi z e valori negativi indicano un significato per l'effetto condizione inversa. Clicca qui per ingrandire la figura .