Aplicaciones de EEG datos de neuroimagen: Potenciales relacionados con eventos, Energía espectral y Multiscale Entropy

Las figuras 1A y 2A representan la señal del EEG en respuesta a la presentación de una imagen de la cara. Promediando a través como ensayos produce una forma de onda ERP que consiste en una serie de desviaciones positivas y negativas llamado componentes ERP. Figura 1B ilustra una forma de onda promedio de un solo sujeto y la Figura 6A ilustra una forma de onda promedio de los grandes por un grupo de sujetos. Hay una rica literatura que relaciona cada componente ERP a una específica perceptual, motor, o el funcionamiento cognitivo. Por ejemplo, la N170 es una desviación negativa que picos a aproximadamente 170 mseg después de la inicio del estímulo y está implicada en el procesamiento de la cara 8,15. La Figura 2B ilustra la descomposición de la misma señal del EEG en las bandas de frecuencia de los componentes. Los resultados de análisis espectral de potencia revelan el contenido de frecuencia de la señal (Figura 2C), mediante el cualun aumento de la potencia a una frecuencia particular, refleja un incremento en la presencia de ese ritmo dentro de la señal del EEG. Al igual que la potencia espectral, MSE es sensible a la complejidad de los componentes oscilatorios que contribuyen a la señal. Sin embargo, a diferencia de potencia espectral, MSE es también sensible a las interacciones entre los componentes de frecuencia (es decir, no lineal dinámica 18). La complejidad de una señal de EEG se representa como una función de la entropía de la muestra (Figura 5) a través de múltiples escalas de tiempo (Figura 4). Como se ilustra en la Figura 3, la entropía de la muestra es baja para las señales regulares y aumenta con el grado de aleatoriedad de la señal. A diferencia de las medidas de entropía tradicionales que aumentan con el grado de aleatoriedad, multiescala entropía es capaz de diferenciar señales complejas a partir de ruido blanco teniendo en cuenta la entropía a través de múltiples escalas de tiempo. Por ejemplo, Costa et al., 2005 comparó multiescala valores de entropía fo no correlacionada (blanco) ruido en función de correlación (rosa) ruido. Mientras que la entropía de la muestra fue mayor para el ruido blanco de ruido rosa en fina escala de tiempo, se observó lo contrario en escalas de tiempo más gruesos 5-20. En otras palabras, cuando se considera la entropía a través de múltiples escalas de tiempo, la verdadera complejidad de las señales se representa con mayor precisión de lo que sería si sólo una única escala de tiempo se consideró. Dependiendo de la dinámica temporal de un contraste específico, efectos de condición se pueden expresar: 1) de la misma manera en todas las escalas de tiempo, 2) en algunas escalas de tiempo, pero no otros, o 3) como efectos de cruce por lo que el contraste es diferente a bien frente gruesa escalas de tiempo. La figura 6 muestra las diferencias de condición en ERP (Figura 6A), la energía espectral (Figura 6B), MSE (Figura 6C) contrastar las presentaciones iniciales frente a la repetición de fotografías de la cara 9. En este ejemplo, todas las medidas convergentes para revelarel mismo efecto, sin embargo, la disminución observada en la entropía de ejemplo que acompaña la cara repetición es importante, ya que limita la interpretación de los resultados. Una disminución en la complejidad sugiere que la red funcional subyacente es más simple y menos capaz de procesar información. La figura 7 muestra los resultados estadísticos del análisis multivariado de mínimos cuadrados parciales 11 aplicadas a ERP, el poder espectral y MSE. El experimento manipuló el conocimiento asociado con diferentes caras (Heisz et al., 2012). El contraste (gráfico de barras) muestra que el ERP amplitud distinguir caras nuevas de caras conocidas, pero no entre las caras conocidas que variaban en la cantidad de exposición previa. Potencia espectral distinguido enfrenta según la familiaridad adquirida, pero no distingue con precisión entre las caras de media y baja familiaridad. MSE era más sensible a las diferencias de condición en que muestra los valores de la entropía crecienteed con el aumento de la familiaridad cara. Las parcelas de captura de imagen de la distribución espacio-temporal del efecto de condiciones en todos los electrodos y el tiempo / frecuencia / escala de tiempo. Este ejemplo demuestra una situación en la que el análisis de EEG por MSE produce información única que no se obtuvo usando los métodos tradicionales de ERP o espectral de potencia. Esta divergencia de MSE sugiere que las condiciones difieren con respecto a los aspectos no lineales de la dinámica de la red, posiblemente que implica las interacciones entre los diversos componentes de frecuencia. Figura 1. A) Las respuestas del EEG de un único sujeto como una función de la desviación de amplitud de línea de base para cada ensayo frente al tiempo desde el inicio del ensayo. Cada ensayo consistió en la presentación de una fotografía de una imagen de la cara. Deflexiones amplitud positiva se representan en larojo, deflexiones de amplitud negativos se representan en azul. Todos los ensayos muestran una desviación positiva de alrededor de 100 ms y 250 ms, lo que indica de enganche de fase de actividad. Relacionados con el evento B) promedio en todos los ensayos descritos en la Figura 1A produce una forma de onda ERP promediada con distintas desviaciones positivas y negativas llamadas los componentes relacionados con el evento y el nombre de acuerdo con una nomenclatura estándar. Por ejemplo, P1 es el primer componente de signo positivo, y N170 es un componente negativo que los picos en aproximadamente 170 mseg después de la inicio del estímulo. Figura 2. A) La respuesta EEG de un solo tema para un ensayo trazado amplitud de tiempo (en los puntos de datos, la velocidad de muestreo de 512 Hz). B) La respuesta del EEG de la Figura 2A filtrada paso banda para aislar las bandas de frecuencias delta(0-4 Hz), theta (5-8 Hz), alfa (9-12 Hz), beta (13-30 Hz) y gamma (> 30 Hz). C) densidad de potencia espectral de la respuesta EEG representa en la figura 2A representa composición de frecuencia de la señal como una función de la potencia por frecuencia. Un aumento de la potencia espectral en una frecuencia particular refleja un aumento en el número de neuronas sincrónicamente activos encauzadas dentro de dicha banda de frecuencias particular. Haz clic aquí para ver más grande la figura . Figura 3 a) dos formas de onda simuladas:.. Una forma de onda regular o predecible representado en púrpura, y una forma de onda más estocástico se muestra en negro B) valores de entropía de ejemplo de las dos formas de onda simuladas para los primeros tres escalas de tiempo. Muestra entropy es baja para las señales altamente predecibles que las señales más estocásticos. Haz clic aquí para ver más grande la figura . La Figura 4. Abajo, el muestreo de la serie de tiempo original genera múltiples series de tiempo para distintas escalas de tiempo. Timescale 1 es la serie de tiempo original. La serie de tiempo de escala de tiempo 2 se crea dividiendo la serie de tiempo original en que no se superponen las ventanas de longitud 2 y media de puntos de los datos dentro de cada ventana. Para generar la serie temporal de plazos posteriores, dividir la serie de tiempo original en que no se solapan ventanas de la escala de tiempo y longitud promedio de los puntos de datos dentro de cada ventana. Figura 5. Una forma de onda simulada en cada rectángulo representa un único punto de datos de la serie temporal de la entropía. Muestra estima la variabilidad de una serie temporal. En este ejemplo, m (la longitud del patrón) se establece en dos, lo que significa que la varianza de la amplitud de cada patrón de series de tiempo se representa en el espacio bidimensional frente tridimensional teniendo en cuenta el patrón de secuencia de dos contra tres consecutivos puntos de datos, respectivamente; r (el criterio de similitud), refleja el rango de amplitud (denotado por la altura de las bandas de colores) dentro de la cual se consideran los puntos de datos a "coincidir". Para calcular la entropía de la muestra para esta serie de tiempo simulado, comenzar con el primer patrón de secuencia de dos componentes, rojo-naranja. En primer lugar, cuente el número de veces que el patrón de secuencia rojo-naranja se produce en la serie temporal, hay 10 partidos de esta secuencia de dos componentes. En segundo lugar, contar el número de veces primera patrón de secuencia de tres componentes, rojo-naranja-gritoay, ocurre en las series de tiempo, hay 5 resultados para esta secuencia de tres componentes. Continúe de esta manera para la siguiente secuencia de dos componentes (de color naranja-amarillo) y la secuencia de tres componentes (naranja-amarillo-verde). El número de partidos de dos componentes (5) y los partidos de tres componentes (3) de estas secuencias se añaden a los valores anteriores (un total de dos componentes partidos = 15; total de partidos de tres componentes = 8). Repita el procedimiento para todos los demás partidos en la secuencia de la serie de tiempo (hasta N – m) para determinar la relación total de partidos de dos componentes a partidos de tres componentes. La entropía de la muestra es el logaritmo natural de esta relación. Para cada tema, se calcula la estimación MSE canal específico como la media a través de medidas de entropía ensayos individuales para cada escala de tiempo. Figura 6. Diferencias de condiciones en los ERP (A), la energía espectral (B),MSE (C) contrastar las presentaciones iniciales o repetida de fotografías faciales. Haz clic aquí para ver más grande la figura . Figura 7. Contrastando la respuesta EEG a las caras aprendidas a través de medidas de ERP, potencia espectral y multiescala entropía. Los gráficos de barras que representan el contraste entre las condiciones según lo determinado por análisis de mínimos cuadrados parciales 11. La parcela imagen pone de relieve la distribución espacio-temporal en la que el contraste era más estable que determine bootstrapping. Los valores representan las puntuaciones z ~ y los valores negativos denotan significación para el efecto inverso condición. Haz clic aquí para ver más grande la figura .