Summary

Corticale Analyse de la source de haute densité EEG Recordings chez les enfants

Published: June 30, 2014
doi:

Summary

Au cours des dernières années, il ya eu un intérêt croissant pour l'estimation des sources corticales du cuir chevelu mesurées activité électrique pour des expériences en neurosciences cognitives. Cet article décrit comment EEG haute densité est acquis et comment les enregistrements sont traités pour l'estimation de la source corticale chez les enfants dès l'âge de 2 ans au bébé Lab Londres.

Abstract

EEG est traditionnellement décrite comme une technique de neuro-imagerie à haute résolution spatiale et temporelle faible. Les progrès récents dans la modélisation biophysique et traitement du signal permettent d'exploiter l'information d'autres modalités d'imagerie comme l'IRM structurelle qui fournissent une haute résolution spatiale pour surmonter cette contrainte 1. Ceci est particulièrement utile pour les enquêtes qui exigent une haute résolution dans le temporel ainsi que le domaine spatial. En outre, en raison de l'application facile et à faible coût des enregistrements EEG, EEG est souvent la méthode de choix lorsque l'on travaille avec les populations, comme les jeunes enfants, qui ne tolèrent pas l'IRM fonctionnelle scanne bien. Toutefois, afin d'enquêter sur ce qui substrats neuronaux sont impliqués, des informations anatomiques de l'IRM structurelle est encore nécessaire. La plupart des logiciels d'analyse EEG travaillent avec des modèles de tête standards qui sont basés sur l'anatomie adulte. La précision de ces modèles lorsqu'il est utilisé pour les enfants est limitée 2, parce que le composition et la configuration spatiale de la tête tissus changements de façon spectaculaire sur le développement 3.

Dans le présent article, nous présentons un aperçu de nos récents travaux en utilisant des modèles de tête sur la base de différents IRM structurelles ou des modèles spécifiques de la tête d'âge pour reconstruire les générateurs corticaux de haute densité EEG. Cet article décrit comment les enregistrements EEG sont acquises, traitées et analysées avec les populations pédiatriques au bébé Lab Londres, y compris l'installation de laboratoire, la conception des tâches, EEG prétraitement, traitement IRM, et le niveau du canal EEG et l'analyse des sources.

Introduction

Le président Barack Obama a décrit le cerveau humain comme la prochaine frontière de la découverte scientifique de haute importance pour la santé et l'économie 3 (http://www.whitehouse.gov/share/brain-initiative). Toutefois, comme dans tout autre domaine dans les sciences naturelles, les neurosciences dépend de progrès dans les méthodes et techniques d'analyse de progrès. Deux outils non invasifs couramment utilisés dans les études sur le fonctionnement du cerveau chez l'homme sont l'imagerie par résonance magnétique (IRM) et l'électroencéphalographie (EEG). Ces outils exploitent des propriétés physiques différentes et fournir différentes perspectives sur le fonctionnement du cerveau avec des avantages et des inconvénients. L'IRM utilise les propriétés magnétiques des molécules d'eau à l'intérieur des champs magnétiques pour obtenir des images de tissus vivants. L'objet doit être placé dans un aimant d'intensité de champ élevée. Le mouvement du participant est restreint durant cette procédure et le participant doit tolérer le bruit causé par les changements rapides dans le champ magnétiquedomaine. En plus des images structurelles, l'IRM fournit également la possibilité de mesurer les changements dans l'oxygénation du sang pour étudier le fonctionnement du cerveau (IRM). En résumé, l'IRM offre une résolution spatiale relativement élevée allant jusqu'à 0,5 mm 3 avec des champs élevés modernes scanners et des paramètres optimisés 4. En revanche, la résolution temporelle de l'IRMf est limitée à la cinétique lente de la réponse BOLD, qui reflète seulement indirectement la dynamique temporelle élevés de l'activité neuronale 5,6.

D'autre part, l'EEG mesure les variations de l'activité électrique provoquées par l'activité de neurones par l'intermédiaire d'électrodes placées sur le cuir chevelu. Les progrès récents de la technologie EEG permettent une application rapide et facile des capteurs pour les enregistrements ambulatoires à court terme ou à long terme et fixe ainsi que. Parce que l'EEG est moins restrictive, il est également la méthode de choix pour certaines populations de participants qui ne tolèrent pas l'environnement IRM bien comme pédiatrique et certainpopulations gériatriques et psychiatriques. Les propriétés de l'EEG montrent un motif inverse de ceux de l'IRM: la résolution temporelle est très élevé avec une précision d'une milliseconde, mais la résolution spatiale est limitée. Des courants électriques passent à travers les différents tissus entre leur générateur et les électrodes d'EEG sur la surface du cuir chevelu. Cela conduit à un mélange et étalement spatial de l'activité de la source connue sous l'effet du volume de conduction. Par conséquent, l'activité mesurée par les électrodes sur la surface du cuir chevelu reflète l'activité à partir de multiples sources qui peuvent être éloignés de la position de l'électrode sur la tête de 1,7.

Beaucoup de travail au cours des dernières années a été consacrée à la fusion de l'IRM et EEG afin de tirer parti de leurs atouts respectifs. Une ligne de travail est consacrée à l'acquisition simultanée de l'EEG et IRM dans les études fonctionnelles. Une autre approche consiste à utiliser les informations spatiales fournies par l'IRM structurelle pour tenir compte du volume conduction effet grâce à la modélisation biophysique. L'utilisation de l'information structurale pour la reconstruction de source d'enregistrements EEG est particulièrement utile pour des études impliquant une population pédiatrique. L'enquête de l'évolution de la fonction cérébrale est essentielle pour comprendre comment les compétences cognitives complexes sont construits au-dessus de précurseurs simples 8.

Ces enquêtes permettent de mettre en évidence des changements dans les substrats neuronaux et des propriétés de réponse qui sont en corrélation avec les changements dans la performance comportementale. Toutefois, l'enquête de la fonction du cerveau et la cognition au cours du développement pose également des défis spécifiques. En particulier, la possibilité pour les études d'IRM fonctionnelle est limitée car les jeunes enfants et les nourrissons doivent soit être endormi ou sous sédation pour obtenir des données d'IRM sans artefacts de mouvement et de l'impact négatif sur le bien-être des participants. En outre, l'EEG est perçu comme moins risqué et invasif par les parents, ce qui rend le recrutement des participants à la recherche plus facile. Tar conséquent, l'EEG est la méthode de choix pour de nombreuses enquêtes sur le fonctionnement du cerveau chez les jeunes enfants. Progrès méthodologiques dans les systèmes EEG permettent l'application des matrices d'électrodes à haute densité avec 128 canaux ou plus en quelques minutes. Facilité d'application et un confort de port sont suffisantes pour permettre même enregistrement EEG dans les plus jeunes enfants. Cependant, souvent, les chercheurs ne sont pas seulement intéressés à la dynamique temporelle des réponses à des stimuli particuliers, mais aimeraient également de comparer les substrats neuronaux qui interviennent dans les réponses.

Une hypothèse qui prévaut dans le niveau de canal analyse ERP comparant différents groupes d'âge, c'est que les mêmes substrats neuronaux de répondre, mais que le moment ou l'amplitude de la réponse varie selon les âges 9. Cuir chevelu topographie similaire est souvent utilisé comme un indicateur de l'activité neurale sous-jacente similaire. Cependant, de nombreuses configurations de sources différentes peuvent conduire à des topographies du cuir chevelu similaires 10. En appliquant l'estimation de la source, ce Uncertitude peut être réduite et quantifié. L'indépendance des observations est essentiel pour les comptes du réseau de la fonction cérébrale: si les sources sont mélangés, les corrélations seront biaisées vers la connectivité locale plus élevée. reconstruction de source peut être appliqué pour réduire ce biais 11. Inversement, les différences dans le calendrier et la phase peuvent être utilisées pour l'analyse de la connectivité, mais ces modèles mathématiques nécessitent des hypothèses qui sont difficiles à évaluer en données non simulées 12. En résumé, l'estimation de la source fournit des informations supplémentaires à l'EEG de niveau de canal et l'analyse des ERP basée sur la connaissance de l'anatomie et les propriétés biophysiques des tissus.

Différents algorithmes ont été conçus pour trouver des solutions au problème inverse. Ces algorithmes sont en gros en deux catégories: paramétriques et non paramétriques 13. Modèles paramétriques supposent une ou plusieurs dipôles qui peuvent varier dans l'emplacement, l'orientation et la force. En revanche, les modèles paramétriques contai nonna grand nombre de dipôles avec emplacement et l'orientation fixe. Dans ces modèles, l'activité électrique du cuir chevelu est expliquée comme une combinaison des activations dans les dipôles fixes 10,13,14. Non paramétrique, modèles de sources distribuées peuvent être basées sur la connaissance de l'anatomie et de la conductivité dans les différents médias. Modèles d'éléments de frontière intègrent les valeurs de conductivité pour les principaux tissus de la tête avec différentes coques pour le cerveau, le liquide céphalo-rachidien, et le crâne. Ceci est basé sur l'hypothèse que la conductivité est essentiellement constante à l'intérieur de chaque compartiment, mais que des modifications marquées se produit à la limite entre les différents compartiments. Modèles éléments finis sont basés sur la poursuite de la segmentation des examens IRM dans la matière grise et blanche pour que les valeurs de conductivité peuvent être affectés à chaque voxel 15.

En termes pratiques, modèles non paramétriques sont particulièrement utiles pour la reconstruction de source dans des tâches cognitives complexes, dans lequel le nombre de zones concernées peutpas connu 10. Modèles d'éléments de frontière sont les plus largement utilisés dans la littérature actuelle, probablement parce que les plus précises modèles éléments finis présentent des demandes de calcul comparable élevés. En outre, il existe une variabilité interindividuelle considérable dans la matière grise et blanche de sorte que MEF devrait être basée sur l'IRM individuels.

Les modèles non paramétriques exigent une deuxième étape pour adapter le cuir chevelu activité mesurée aux prédictions du modèle de l'avant. Encore une fois, des approches différentes avec différents avantages et inconvénients ont été discutés dans la littérature (voir Michel et al. 2004 pour un aperçu). Les algorithmes les plus couramment utilisés sont basés sur l'estimation de la norme minimale (MNE), ce qui correspond le cuir chevelu activité mesurée à une distribution de courant dans le modèle de l'avant avec l'intensité globale plus faible 16. MNE est biaisé vers des sources faibles et superficielles. Profondeur algorithmes MNE pondérés essaient de réduire le biais de surface en introduisant pondérationmatrices fondées sur des hypothèses mathématiques 10. L'approche LORETA largement utilisé se fonde également sur ​​pondérée MNE, mais minimise en outre le Laplacien de sources, ce qui conduit à des solutions plus douces 17,18. LORETA a été trouvé pour les meilleures performances pour les sources individuelles dans les études de simulation 19,20. Cependant, LORETA peut conduire à plus de lissage des solutions. Profondeur pondérée MNE est préférable que les sources sont inconnues ou plusieurs sources sont susceptibles d'être présents 13, 16. En comparant les résultats de différents algorithmes d'évaluer l'influence de différentes hypothèses du modèle est recommandé.

En résumé, la reconstruction de la source grâce à des méthodes de modélisation a été limité pour les enfants jusqu'à récemment. C'est parce que la plupart des logiciels d'analyse EEG s'appuie sur des modèles de tête basée sur l'anatomie adulte qui limite considérablement l'exactitude des solutions à la source chez les enfants 2,8. L'accès pas cher à la puissance de calcul et la fourniture delogiciel convivial pour la reconstruction de la source permettent de surmonter ces limitations. Application de l'estimation de la source à l'EEG présente deux avantages importants par rapport à des analyses fondées sur des observations du niveau de canal seulement: amélioration de la résolution et de l'indépendance des observations spatiales.

estimation de la source ne peut pas être instructif dans certains cas: une bonne couverture de la tête est nécessaire de distinguer les sources. Systèmes à haute densité avec 128 électrodes ou plus sont recommandés 10,15; une couverture clairsemée agira comme un filtre spatial menant à plus grande activation de la source de propagation ou de faux résultats négatifs 10. En outre, la reconstruction de source basé sur la méthode décrite dans cet article a été signalé pour les générateurs corticaux. Par conséquent, il est moins approprié pour tester des hypothèses sur des substrats sous-corticales ou sous-corticales interactions corticales. Enfin, l'analyse de la source doit être fondée sur des hypothèses préalables détaillées sur les substrats corticaux,prenant la littérature existante d'autres modalités d'imagerie en compte. Des techniques de filtrage spatial peuvent également être utilisés pour améliorer la résolution spatiale du signal EEG en réduisant mélange spatial au niveau du cuir chevelu. Des méthodes alternatives pour réduire l'influence des effets de volume de conduction sans modélisation de la tête sont utilisés, par exemple, le filtrage de Laplace 21 ou actuelle analyse de la densité Source 22. Cependant, ces méthodes ne fournissent pas plus d'informations sur les générateurs de neurones que les effets du volume de conduction ne sont pas seulement limitées à des capteurs à proximité spatiale 1.

Dans les sections suivantes, l'article décrit comment des expériences pour l'enquête de cerveau et la fonction cognitive chez les enfants de 2 ans sont conçus au bébé Lab Londres. Ensuite, l'acquisition de données EEG de haute densité systèmes de basse impédance avec enfants est discutée. Ensuite, EEG prétraitement et d'analyse sur le niveau du canal est présenté. Lastly, l'article porte sur le traitement de données d'IRM de structure pour une reconstruction de source corticale et l'analyse des signaux de niveau de la source.

Protocol

Expériences potentiels 1. Conception EEG et événements liés aux enfants Remarque: Une expérience simple a été conçu pour les besoins de cet article qui peut être utilisée pour étudier le traitement des visages chez les jeunes enfants. La section suivante décrit l'expérience et expliquer comment mettre en œuvre à l'aide de MATLAB R2012b et PsychToolBox V3.0.11 23,24. Les photos prises à partir de l'ensemble NimStim d'expression faciale émotionnelle <s…

Representative Results

Conception expériences ERP pour les nourrissons et les enfants est souvent difficile, en raison de leur capacité limitée à tolérer de longues expériences répétitives 30. Ce problème est encore aggravé lorsque l'expérimentateur prévoit d'appliquer une reconstruction de source, car la reconstruction de source précise, il faudra un signal élevé bruit 1. Figure 1 affiche un protocole expérimental pour l'étude des mécanismes de traitement du visage qui peuv…

Discussion

Le présent article décrit l'enregistrement et l'analyse des EEG haute densité pour la reconstruction des générateurs corticaux utilisant des modèles d'éléments de frontière fondée sur l'âge des modèles d'IRM moyens appropriés et la profondeur pondérée estimation de norme minimale dans un paradigme ERP standard, adapté aux enfants. Dans ce paradigme, des photos de visages et des visages brouillés sont présentés. Différents auteurs ont utilisé ce paradigme pour étudier le dévelop…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Nous tenons à remercier M. John Richards, Université de Caroline du Sud, pour nous accorder l'accès à la base de données de développement IRM et des discussions utiles. Nous tenons également à remercier nos bailleurs de fonds de charité de Great Ormond Street Children, UCL Impact et grands défis.

Materials

High-density EEG sensor net (128 or 256 channels) HydroCel Geodesic Sensor Net 128 Electrical Geodesic Inc., Oregon, US
EEG high impendance amplifier NetAmps 200 Electrical Geodesic Inc., Oregon, US
Data Acquisition Computer  PowerMac G4 Apple Inc, California, US
Stimulus Presentation Computer Optiplex 745 Dell Computers Inc., Texas, US
Stimulus Presentation Software Matlab R2012b with PsychToolBox Brainard et al. 1997
EEG recording software NetStation 4.5.1 Electrical Geodesic Inc., Oregon, US
EEG analysis software Matlab R2012b The Mathworks Inc., 
EEGLAB Delorme et al. 2004
BrainStorm Sylvain et al. 2001
MRI processing software FreeSurfer Fischl et al. 2004
OpenMEEG Gramfort et al. 2010
References
Delorme, A., & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods, 134(1), 9–21.
Sylvain, B., John, C., Dimitrios, P., & Richard, M. (2011). Brainstorm: A User-Friendly Application for MEG/EEG Analysis. Computational Intelligence and Neuroscience, 2011, 1–13.
Fischl, B., Van Der Kouwe, A., Destrieux, C., Halgren, E., Ségonne, F., Salat, D. H., et al. (2004). Automatically parcellating the human cerebral cortex. Cerebral Cortex, 14(1), 11–22.
Gramfort, A., Papadopoulo, T., Olivi, E., & Clerc, M. (2010). OpenMEEG: opensource software for quasistatic bioelectromagnetics. BioMedical Engineering OnLine, 9(1), 45. doi:10.1186/1475-925X-9-45
Brainard, D. H. (1997). The psychophysics toolbox. Spatial vision.

References

  1. Michel, C. M., Murray, M. M. Towards the utilization of EEG as a brain imaging tool. NeuroImage. 61 (2), 371-385 (2012).
  2. Brodbeck, V., et al. EEG microstates of wakefulness and NREM sleep. NeuroImage. 62 (3), 2129-2139 (2012).
  3. Sanchez, C. E., Richards, J. E., Almli, C. R. Age-specific MRI templates for pediatric neuroimaging. Developmental Neuropsychology. 37 (5), 379-399 (2012).
  4. Umutlu, L., Ladd, M. E., Forsting, M., Lauenstein, T. 7 Tesla MR Imaging: Opportunities and Challenges. RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin. 186 (2), 121-129 (2014).
  5. Logothetis, N. K. Bold claims for optogenetics. Nature. 468 (7323), (2010).
  6. Logothetis, N. K. What we can do and what we cannot do with fMRI. Nature. 453 (7197), 869-878 (2008).
  7. Roche-Labarbe, N., et al. High-resolution electroencephalography and source localization in neonates. Human Brain Mapping. 29 (2), 167-176 (2008).
  8. Johnson, M. H. Interactive Specialization: A domain-general framework for human functional brain development. Developmental cognitive neuroscience. 1, 7-21 (2010).
  9. Nelson, C. A., McCleery, J. P. Use of Event-Related Potentials in the Study of Typical and Atypical Development. Journal of the American Academy of Child & Adolescent Psychiatry. 47 (11), (2008).
  10. Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., Spinelli, L., Grave de Peralta, R. EEG source imaging. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 115 (10), 2195-2222 (2004).
  11. Bathelt, J., O’Reilly, H., Clayden, J. D., Cross, J. H., de Haan, M. Functional brain network organisation of children between 2 and 5years derived from reconstructed activity of cortical sources of high-density EEG recordings. NeuroImage. 82, 595-604 (2013).
  12. David, O., Cosmelli, D., Friston, K. J. Evaluation of different measures of functional connectivity using a neural mass model. NeuroImage. 21 (2), 659-673 (2004).
  13. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation. 5 (1), 25 (2008).
  14. Wendel, K., et al. EEG/MEG source imaging: methods, challenges, and open issues. Computational Intelligence and Neuroscience. 2009, 13 (2009).
  15. Richards, J. E. Localizing cortical sources of event-related potentials in infants’ covert orienting. Developmental Science. 8 (3), 255-278 (2005).
  16. Hauk, O. Keep it simple: a case for using classical minimum norm estimation in the analysis of EEG and MEG data. NeuroImage. 21 (4), 1612-1621 (2004).
  17. Pascual-Marqui, R. D., et al. Low resolution brain electromagnetic tomography (LORETA) functional imaging in acute, neuroleptic-naive, first-episode, productive schizophrenia. Psychiatry Research. 90 (3), 169-179 (1999).
  18. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods and findings in experimental and clinical pharmacology. 24 Suppl D. , 5-12 (2002).
  19. Phillips, C., Rugg, M. D., Friston, K. J. Systematic regularization of linear inverse solutions of the EEG source localization problem. NeuroImage. 17 (1), 287-301 (2002).
  20. Yao, J., Dewald, J. P. A. Evaluation of different cortical source localization methods using simulated and experimental EEG data. NeuroImage. 25 (2), 369-382 (2005).
  21. Tandonnet, C., Burle, B., Hasbroucq, T., Vidal, F. Spatial enhancement of EEG traces by surface Laplacian estimation: Comparison between local and global methods. Clinical Neurophysiology. 116 (1), 18-24 (2005).
  22. Tenke, C. E., Kayser, J. Generator localization by current source density (CSD): implications of volume conduction and field closure at intracranial and scalp resolutions. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 123 (12), 2328-2345 (2012).
  23. Brainard, D. H. The psychophysics toolbox. Spatial vision. , (1997).
  24. Kleiner, M., Brainard, D., Pelli, D., Ingling, A., Murray, R. What’s new in Psychtoolbox-3. Perception. , (2007).
  25. Tottenham, N., et al. The NimStim set of facial expressions: judgments from untrained research participants. Psychiatry Research. 168 (3), 242-249 (2009).
  26. Chaste, P., et al. Adjusting head circumference for covariates in autism: Clinical correlates of a highly heritable continuous trait. Biological Psychiatry. 74 (8), 576-584 (2013).
  27. Delorme, A., et al. EEGLAB, SIFT, NFT, BCILAB, and ERICA: New tools for advanced EEG processing. Computational Intelligence and Neuroscience. 2011, 130714 (2011).
  28. Nolan, H., Whelan, R., Reilly, R. B. FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods. 192 (1), 152-162 (2010).
  29. Kilner, J. M. Bias in a common EEG and MEG statistical analysis and how to avoid it. Clinical Neurophysiology. , (2013).
  30. DeBoer, T., Scott, L. S., Nelson, C. A. 12 ERPs in Developmental Populations. Event-related Potentials: A. , (2005).
  31. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Developmental Psychobiology. 54 (1), 77-91 (2011).
  32. Tadel, F., Baillet, S., Mosher, J. C., Pantazis, D., Leahy, R. M. Brainstorm: A user-friendly application for MEG/EEG analysis. Computational Intelligence and Neuroscience. 2011, 879716 (2011).
  33. Haan, M., Johnson, M. H., Halit, H. Development of face-sensitive event-related potentials during infancy: a review. International Journal of Psychophysiology. 51, 45-58 (2003).
  34. Earp, B. D., Everett, J. A. C. Is the N170 face specific? Controversy, context, and theory. Neuropsychological Trends. 13 (1), 7-26 (2013).
  35. Taylor, M. J., McCarthy, G., Saliba, E., Degiovanni, E. ERP evidence of developmental changes in processing of faces. Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology. 110 (5), 910-915 (1999).
  36. Ment, L. R., et al. Longitudinal brain volume changes in preterm and term control subjects during late childhood and adolescence. PEDIATRICS. 123 (2), 503-511 (2009).
  37. Courchesne, E., et al. Impairment in shifting attention in autistic and cerebellar patients. Behavioral Neuroscience. 108 (5), 848-865 (1994).
  38. Litvak, V., et al. EEG and MEG data analysis in SPM8. Computational Intelligence and Neuroscience. (2011), (2011).
  39. Daunizeau, J., David, O., Stephan, K. E. Dynamic causal modelling: A critical review of the biophysical and statistical foundations. NeuroImage. 58 (2), 312-322 (2011).

Play Video

Cite This Article
Bathelt, J., O’Reilly, H., de Haan, M. Cortical Source Analysis of High-Density EEG Recordings in Children. J. Vis. Exp. (88), e51705, doi:10.3791/51705 (2014).

View Video