Aplicações de dados de EEG Neuroimagem: potenciais relacionados a eventos, espectral de potência, e Multiscale Entropia

As figuras 1A e 2A representam o sinal de EEG em resposta à apresentação de uma imagem de face de. Média transversalmente como ensaios produz uma onda de ERP, que consiste de uma série de desvios positivos e negativos chamados de componentes de ERP. Figura 1B ilustra uma forma de onda média em um único assunto e Figura 6A ilustra uma forma de onda média de mil por um grupo de indivíduos. Há uma rica literatura que relaciona cada componente ERP a um determinado perceptual, motor, ou funcionamento cognitivo. Por exemplo, o N170 é um desvio negativo que picos em aproximadamente 170 ms início de pós-estímulo e está envolvida no processamento de rosto 8,15. A Figura 2B ilustra a decomposição desse mesmo sinal de EEG em bandas de frequências dos componentes. Os resultados da análise espectral de potência revelar o conteúdo de frequência do sinal (Figura 2C), em queum aumento na potência com uma frequência reflecte um aumento na presença de que o ritmo dentro do sinal de EEG. Como poder espectral, MSE é sensível à complexidade dos componentes que contribuem para a oscilatórios sinal. No entanto, ao contrário de potência espectral, MSE também é sensível às interações entre os componentes de freqüência (ou seja, a dinâmica não-linear 18). A complexidade de um sinal de EEG é representada como uma função da entropia da amostra (Figura 5), ao longo de várias escalas de tempo (Figura 4). Tal como ilustrado na Figura 3, a amostra é entropia baixa para sinais normais e aumenta com o grau de aleatoriedade de sinal. Ao contrário de medidas de entropia tradicionais que aumentam com grau de aleatoriedade, multiscale entropia é capaz de diferenciar sinais complexos de ruído branco por considerar entropia em várias escalas de tempo. Por exemplo, Costa et al., 2005, em comparação multiscale valores entropia fou não correlacionado (branco) contra o ruído correlacionado (rosa) de ruído. Enquanto amostra entropia foi maior para o ruído branco do que o ruído rosa na fina escala de tempo, o oposto foi observado em mais grosseiras prazos 5-20. Em outras palavras, quando a entropia foi considerada em várias escalas de tempo, a verdadeira complexidade dos sinais foi representada com mais precisão do que seria se apenas uma única escala de tempo foi considerado. Dependendo das dinâmicas temporais de um contraste específica, os efeitos de condição pode ser expressa: 1) da mesma forma em todas as escalas de tempo, 2) em algumas escalas de tempo, mas não a outra, ou 3), os efeitos do cruzamento em que o contraste é diferente em finos contra grosseira prazos. A Figura 6 mostra as diferenças de condição em ERP (Figura 6A), potência espectral (Figura 6B), MPE (Figura 6C) contrastando as apresentações iniciais contra repetição da cara fotografias 9. Neste exemplo, todas as medidas convergiram para revelarNo mesmo sentido, no entanto, a diminuição observada na amostra de entropia que acompanha cara repetição é importante, uma vez que restringe a interpretação dos resultados. Uma diminuição na complexidade sugere que a rede funcional subjacente é mais simples e menos capaz de processar a informação. A Figura 7 mostra os resultados estatísticos de análise multivariada de mínimos quadrados parciais de 11 aplicados ao ERP, potência espectral e MSE. O experimento manipulou a familiaridade associados a diferentes faces (Heisz et al., 2012). O contraste (gráfico de barras) mostra que o ERP amplitude distinguido novos rostos a partir de rostos familiares, mas não entre as caras conhecidas que variaram em quantidade de exposição prévia. Espectral de potência distinguido enfrenta acordo com familiaridade adquirida, mas não distinguir com precisão entre as faces de familiaridade média e baixa. MSE foi mais sensível às diferenças de condições no que a amostra de entropia valores cada vezed com o aumento da familiaridade face. As parcelas imagem captura a distribuição espaço-temporal do efeito condição em todos os eletrodos e tempo / freqüência / calendário. Este exemplo demonstra uma situação em que a análise de EEG por MSE produziu informação única que não foi obtido utilizando os métodos tradicionais de ERP ou de potência espectral. Esta divergência de MSE sugere que as condições são diferentes no que diz respeito aos aspectos não-lineares de suas dinâmicas de rede, possivelmente envolvendo as interações entre os vários componentes de freqüência. Figura 1. D) As respostas de EEG de um único objecto, como uma função da amplitude da deflexão a partir da linha de base para cada ensaio, em função do tempo a partir do início do ensaio. Cada teste consistiu na apresentação de uma fotografia de uma imagem da face de. Deflexões amplitude positiva são descritos emvermelho; desvios de amplitude negativos são representados em azul. Todos os ensaios mostram um desvio positivo em torno de 100 ms e 250 ms, indicando relacionados ao evento de bloqueio de fase atividade. B) Calculando a média em todos os ensaios descritos na Figura 1A produz uma onda de ERP médio com desvios positivos e negativos distintas chamadas componentes relacionados ao evento e nomeado de acordo com uma nomenclatura padrão. Por exemplo, P1 é o primeiro componente positivo indo, e N170 é um componente negativa que picos a cerca de 170 mseg início pós-estímulo. Figura 2. A) A resposta EEG de um único assunto para um único julgamento plotagem amplitude de tempo (em pontos de dados, taxa de amostragem de 512 Hz). B) A resposta EEG da Figura 2A banda filtrada para isolar faixas de freqüência delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) e gama (> 30 Hz). C), a densidade de potência espectral do EEG de resposta representada na Figura 2A que representa a composição do sinal em função do poder de frequência de frequência. Um aumento na potência espectral em uma freqüência particular reflete um aumento no número de neurônios de forma síncrona ativos arrastadas dentro dessa faixa de freqüência particular. Clique aqui para ver a figura maior . Figura 3 A) Duas formas de onda simuladas:.. Uma onda regular ou previsível representado em roxo, e uma forma de onda mais estocástico representado em preto B) valores de entropia amostra de duas formas de onda simuladas para os três primeiros prazos. Amostra entropy é baixa para sinais altamente previsíveis do que os sinais mais estocásticos. Clique aqui para ver a figura maior . Figura 4. Down-amostragem da série e hora original gera várias séries de tempo de diferentes prazos. Timescale 1 é a série de tempo original. A série temporal de escala de tempo 2 é criado através da divisão do tempo original em série não sobrepostos janelas de comprimento e 2 pontos médios de dados dentro de cada janela. Para gerar a série temporal de prazos seguintes, dividir a série temporal original em não sobrepostos janelas do comprimento médio prazo e os pontos de dados dentro de cada janela. Figura 5. Uma forma de onda simulada onde cada retângulo representa um único ponto de dados da série histórica. Amostra entropia estima a variabilidade de uma série temporal. Neste exemplo, m (comprimento padrão) é definida como dois, o que significa que a variação do padrão de amplitude de cada uma das séries de tempo será representada no espaço bidimensional contra tridimensional, considerando o padrão de sequência de dois contra três consecutivos Os pontos de dados, respectivamente, R (o critério de similaridade), reflecte a variação de amplitude (representada pela altura das bandas coloridas) dentro da qual os pontos de dados são considerados "corresponder". Para o cálculo da amostra entropia para esta série tempo simulado, comece com o primeiro padrão seqüência de dois componentes, vermelho-alaranjado. Em primeiro lugar, contar o número de vezes que o padrão de seqüência de vermelho-alaranjado ocorre na série histórica, há 10 partidas para esta seqüência de dois componentes. Em segundo lugar, contar o número de vezes que primeiro padrão seqüência de três componentes, vermelho-laranja-gritoow, ocorre na série histórica, há 5 jogos para esta seqüência de três componentes. Continuar dessa maneira para a próxima seqüência de dois componentes (amarelo-laranja) e três componentes de seqüência (laranja-amarelo-verde). O número de jogos de dois componentes (5) e os jogos de três componentes (3) para estas sequências são adicionados aos valores anteriores (total de dois componentes jogos = 15, total de jogos de três componentes = 8). Repita o procedimento para todos os outros jogos de seqüência na série temporal (até N – m) para determinar a proporção total de partidas de dois componentes para jogos de três componentes. Amostra entropia é o logaritmo natural da relação. Para cada assunto, calcular a estimativa MSE específico canal como a média através de medidas simples de entropia de ensaios para cada escala de tempo. Figura 6. Diferenças condição em ERP (A), potência espectral (B),MSE (C) contrastando as apresentações iniciais contra repetida de fotografias faciais. Clique aqui para ver a figura maior . Figura 7. Contrastando a resposta ao EEG rostos aprendidas através de medidas de ERP, espectral de potência, e multiscale entropia. Os gráficos de barras retratam o contraste entre as condições, conforme determinado pela análise de mínimos quadrados parciais 11. O enredo imagem destaca a distribuição espaço-temporal em que esse contraste era mais estável, conforme determinado pelo bootstrapping. Os valores representam ~ z pontuações e valores negativos indicam significância para o efeito condição inversa. Clique aqui para ver a figura maior .