EEGニューロイメージングデータの応用：事象関連電位、スペクトルパワー、およびマルチスケールエントロピー

図1Aおよび2Aは、顔画像の提示に応答して、EEG信号を表す。裁判のように渡って平均化ERPコンポーネントと呼ばれる正と負のたわみのシリーズで構成されていたERP波形を生成します。 図1Bが示す単一の件名と、図6Aのための平均波形は、被験者のグループのための壮大な平均的な波形を示しています。特定の知覚、運動、または認知動作に各ERPコンポーネントに関する豊富な文献がある。例えば、N170は、約170ミリ秒後に刺激発症のピークとは、顔処理8,15に関与しているという負のたわみである。 図2Bは、成分の周波数帯域にその同じEEG信号の分解を示す。スペクトル電力解析からの結果は、それによって信号の周波数成分（ 図2C）を明らかにする特定の周波数での電力の増加は、EEG信号内のそのリズムの存在の増加を反映している。 スペクトルパワーのように、MSEは、信号に寄与する振動の成分の複雑に敏感です。しかし、スペクトルパワーとは違って、MSEはまた、周波数成分（ すなわち非線形ダイナミクス18）との間の相互作用に敏感である。 EEG信号の複雑さは、複数のタイムスケール上の試料エントロピー（ 図5）（図4）の関数として表される。 図3に示すように、試料のエントロピーは、信号のランダム性の程度との定期的な信号と上昇しても低い。そのランダム性の程度に増加、伝統的なエントロピーの措置とは異なり、マルチスケールエントロピーは、複数の時間スケールにわたるエントロピーを考慮することによってホワイトノイズからの複雑な信号を区別することができます。たとえば、コスタら 、2005と比較してマルチスケールエントロピー値Fまたは無相関（白色）ノイズ対相関（ピンク）ノイズ。サンプルエントロピーは細かいスケールでピンクノイズもホワイトノイズのために大きかったが、反対は粗いタイムスケール5-20で観察された。換言すれば、エントロピーが複数の時間スケールにわたって考えられていた場合には、信号の真の複雑度をより正確に単一のタイムスケールが考慮された場合であるよりも表現した。コントラストが細かい対粗いで異なるができるクロスオーバー効果のように）1）すべての時間スケールで同じ方法で、2）いくつかの時間スケールではなく、他の、または3ではない：特定のコントラストの時間的ダイナミクスによって、条件の効果が発現させることができるタイムスケール。 図6は、顔写真9の初期の対繰り返しプレゼンテーションを対照的なERPの条件の違い（ 図6A）、スペクトルパワー（ 図6B）、MSE（図6C）を示す。この例では、すべての措置は、明らかに収束同じ効果は、それは結果の解釈を制約としてしかし、顔の繰り返しに付属のサンプルエントロピーの減少が観察されたことが重要です。複雑さの減少は、基礎となるネットワークの機能をより単純かつより少ない情報を処理することができることを示唆している。 図7には、ERP、スペクトルパワーとMSEに適用された部分最小二乗11の多変量解析からの統計結果を示す。実験は別の顔（Heisz ら 、2012）に関連付けられた親しみを操作した。コントラスト（棒グラフ）は、ERP振幅が見慣れた顔からではなく、事前の暴露量で変化見慣れた顔の間で新たな顔を区別を示しています。区別スペクトルパワーは、取得された親しみやすさに応じて直面したが正確に、中、低馴染みの顔を区別しませんでした。 MSEはそのサンプルエントロピー値さを増加させるの条件の違いに最も敏感だった増加顔親しみとED。イメージプロットは全ての電極および時間/周波数/タイムスケールを越え条件効果の時空間分布を捉える。この例では、MSEによるEEGの分析がERPまたはスペクトル電力の従来の方法を用いて得られなかった固有情報を生成した状況を示している。 MSEのこの相違は、条件はおそらく様々な周波数成分間の相互作用を含む、それらのネットワークダイナミクスの非線形態様に関して異なっていることを示唆している。 図1。）各試験のベースラインからの振幅たわみの関数として、一人の被験者の脳波応答は裁判の発症からの時間に対してプロットした。各試験は、顔画像の写真の提示から成っていた。正の振幅の偏向はに示されている赤、負の振幅偏向は青で示されている。すべての試験は、イベントに関連した位相ロック活動を示し、100ミリと250ミリ秒周りの正偏差を示しています。B）、図1Aに示すようにすべての試験全体で平均化は、イベント関連のコンポーネントと呼ばれ、名前の異なる正と負のたわみと平均ERP波形を生成標準の命名法による。例えば、P1は最初の正方向の成分であり、N170は、約170ミリ秒後に刺激発症のピーク、負のコンポーネントです。 図2時間（データポイントで、速度512 Hzでのサンプリング）。B）デルタの周波数帯域を分離するフィルタ図2AバンドパスのEEG応答によって振幅をプロットシングル裁判のための単一の被写体の）EEG応答図に示されているEEG応答（0-4 Hz）で、シータ（5-8 Hz）で、アルファ（9-12 Hz）を、ベータ（13-30 Hz）で、ガンマ（> 30 Hz）です。C）スペクトル電力密度周波数による電力の関数としての信号の周波数構成を示す図2A。特定の周波数でのスペクトルパワーの増加は、その特定の周波数帯域内に同伴同期アクティブな神経細胞の数の増加を反映しているより大きい数字を表示するには、ここをクリックしてください 。 図3）二つのシミュレーション波形：。紫色で示されている定期的または予測可能な波形と、黒で描かれ、より確率波形B）最初の三つのタイムスケールのための2つのシミュレーション波形のサンプルエントロピー値。サンプルENTROPYはより確率信号よりも高い予測可能な信号に対して低くなっています。 大きい数字を表示するには、ここをクリックしてください 。 図4。ダウンサンプリング元の時系列変化する時間スケールの複数の時系列を生成する。1タイムスケールは、元の時系列である。スケール2の時系列は、各ウィンドウ内で長さが2であり、平均データ点の非オーバーラップウィンドウに元の時系列を分割することによって作成される。後続のタイムスケールの時系列を生成するために、スケールの長さと平均の非重複窓各ウィンドウ内のデータ·ポイントに元の時系列を分割する。 図5。各四角形は時系列サンプル·エントロピーの単一のデータポイントを表すシミュレーション波形は、時系列の変動を推定する。この例では、mが （パターン長）毎に時系列の振幅パターンの変動が2対3つの連続した配列パターンを考慮することによって二次元対三次元空間で表現されることを意味2つに設定されているデータ点は、それぞれ、rは （類似度判定基準）、データポイントが"一致"とみなされる範囲内の振幅範囲（色付きのバンドの高さによって示される）反射する。このシミュレートされた時系列のサンプルエントロピーを計算するには、最初の2つの成分​​のシーケンスパターン、赤橙色で始まります。まず、赤橙色の配列パターンが時系列的に発生する回数をカウントし、この2成分シーケンスの10件がある。第二、第三回成分系列パターンの数をカウントし、赤橙色 – エールOWは、時系列的に発生し、この三成分シーケンスの5試合があります。次の二つの成分の配列（橙黄色）と3つの成分のシーケンス（オレンジ黄緑）のために、このように続けます。これらの配列のための2つの成分​​の一致（5）および三成分届い（3）の数は、前の値（;合計三成分届い= 8合計二成分一致する= 15）を添加する。三成分の一致への2つの成分​​が一致したの合計比率を決定するために、 – 時系列内の他のすべてのシーケンスの一致（オス、最大Nまで）のために繰り返します。サンプルのエントロピーは、この比の自然対数である。各被験者は、各スケールのための単一のトライアルエントロピー対策にわたる平均としてチャネル固有MSE推定値を計算する。 図6。ERPにおける条件の違い（）、スペクトルパワー（B）は 、顔の写真の初期の対繰り返しプレゼンテーションを対比MSEは（C） より大きい数字を表示するには、ここをクリックしてください 。 図7。 ERP、スペクトルパワー、およびマルチスケールエントロピーの施策を通して学習された面にEEG反応を対比。棒グラフには、少なくとも部分的二乗分析11によって決定された条件の間のコントラストを描く。イメージプロットはブートストラップによって決定されるように、このコントラストは最も安定したときの時空間分布を強調しています。値は、A〜Zスコアを表し、負の値は逆の状態効果を意味を表している。 大きい数字を表示するには、ここをクリックしてください 。