En los últimos años, ha habido un creciente interés en la estimación de las fuentes corticales de cuero cabelludo medidos actividad eléctrica para los experimentos de neurociencia cognitiva. En este artículo se describe cómo se adquiere EEG de alta densidad y cómo se procesan las grabaciones para la estimación de fuente cortical en los niños desde la edad de 2 años en el bebé Lab Londres.
EEG se describe tradicionalmente como una técnica de neuroimagen de alta resolución espacial y temporal bajo. Los recientes avances en el modelado biofísico y procesamiento de señales hacen que sea posible la explotación de la información de otras técnicas de imagen como la resonancia magnética estructural que proporcionan una alta resolución espacial para superar esta restricción 1. Esto es especialmente útil para las investigaciones que requieren alta resolución en lo temporal, así como el dominio espacial. Además, debido a la fácil aplicación y bajo costo de los registros de EEG, EEG suele ser el método de elección cuando se trabaja con poblaciones, como los niños pequeños, que no toleran IRM funcional analiza también. Sin embargo, con el fin de investigar lo que los sustratos neurales implicados, información anatómica de resonancia magnética estructural sigue siendo necesario. La mayoría de los paquetes de análisis de EEG trabajan con los modelos estándar de cabeza que se basan en la anatomía de adultos. La precisión de estos modelos cuando se utiliza para los niños está limitada 2, debido a que el composition y la configuración espacial de la cabeza tissues cambios dramáticamente en desarrollo 3.
En el presente trabajo, se proporciona un resumen de nuestro trabajo reciente en la utilización de modelos de cabeza sobre la base de imágenes por resonancia magnética estructural individuales o modelos de cabeza específicos de edad para reconstruir los generadores corticales de alta densidad de EEG. En este artículo se describe cómo se adquieren los registros de EEG, procesados y analizados con la población pediátrica en el bebé Lab Londres, incluyendo la configuración de laboratorio, diseño de tareas, EEG preprocesamiento, procesamiento de resonancia magnética, y el nivel del canal EEG y análisis de origen.
El presidente Barack Obama describió el cerebro humano como la próxima frontera de los descubrimientos científicos con una alta importancia para la salud y la economía de 3 (http://www.whitehouse.gov/share/brain-initiative). Sin embargo, como cualquier otro campo de las ciencias naturales, las ciencias neurológicas depende de los avances en las metodologías y técnicas de análisis para el progreso. Dos herramientas no invasivas de uso común en los estudios sobre la función cerebral en los seres humanos son la resonancia magnética (RM) y la electroencefalografía (EEG). Estos herramienta explotar diferentes propiedades físicas y proporcionar diferentes ideas sobre la función cerebral con ventajas y desventajas. MRI utiliza las propiedades magnéticas de las moléculas de agua dentro de los campos magnéticos para obtener imágenes de los tejidos vivos. El sujeto tiene que ser colocado en un imán con alta intensidad de campo. El movimiento de la participante está restringido durante estos procedimientos y el participante tiene que tolerar el ruido causado por los rápidos cambios en el campo magnéticocampo. Además de las imágenes estructurales, resonancia magnética también ofrece la posibilidad de medir los cambios en la oxigenación de la sangre para investigar la función cerebral (fMRI). En resumen, la RM ofrece relativamente alta resolución espacial de hasta 0,5 mm 3 con modernos altos campos escáneres y parámetros optimizados 4. En contraste, la resolución temporal de resonancia magnética funcional se limita a la lenta cinética de la respuesta BOLD, que refleja sólo indirectamente la dinámica temporal altos de actividad neural 5,6.
Por otro lado, el EEG mide los cambios en la actividad eléctrica causada por la actividad de las neuronas a través de electrodos colocados en el cuero cabelludo. Los recientes avances en la tecnología EEG permiten el uso rápido y fácil de los sensores de corto plazo o largo plazo y fijos, así como grabaciones ambulatorios. Debido a que el EEG es menos restrictiva, que también es el método de elección para ciertas poblaciones de los participantes que no toleran el medio ambiente así como la RM pediátrica y ciertageriatría y psiquiatría. Las propiedades de EEG muestran un patrón inverso a los de resonancia magnética: la resolución temporal es muy alta con una precisión de milisegundos, pero la resolución espacial es limitada. Las corrientes eléctricas pasan a través de diferentes tejidos entre su generador y los electrodos de EEG en la superficie del cuero cabelludo. Esto conduce a un mezclado y manchas espacial de actividad de la fuente conocida como el efecto de volumen de la conducción. Por lo tanto, la actividad medida por los electrodos en la superficie del cuero cabelludo refleja la actividad de múltiples fuentes que podrían ser distante a la posición del electrodo en la cabeza de 1,7.
Gran parte del trabajo en los últimos años se ha dedicado a la fusión de la RM y EEG con el fin de aprovechar sus respectivos puntos fuertes. Una línea de trabajo se dedica a la adquisición simultánea de EEG y la RM en los estudios funcionales. Otro enfoque es usar la información espacial proporcionada por resonancia magnética estructural para tener en cuenta el volumen Conduction efecto a través del modelado biofísico. El uso de la información estructural para la reconstrucción fuente de registros de EEG es particularmente útil para estudios con una población pediátrica. La investigación sobre el desarrollo de la función cerebral es fundamental para la comprensión de cómo las habilidades cognitivas complejas se construyen en la parte superior de precursores simples 8.
Estas investigaciones ayudan a poner de relieve los cambios en los sustratos neurales y propiedades de respuesta que se correlacionan con los cambios en el rendimiento de comportamiento. Sin embargo, la investigación de la función cerebral y la cognición durante el desarrollo también plantea retos específicos. En particular, la oportunidad para que los estudios de resonancia magnética funcional se limita como los niños pequeños y bebés, o bien tienen que estar dormido o sedado para obtener datos de MRI y sin artefactos de movimiento y el impacto negativo sobre el bienestar de los participantes. Además, el EEG se percibe como menos riesgoso e invasivo por los padres, lo que hace el reclutamiento de participantes en la investigación más fácil. Tor lo tanto, EEG es el método de elección para muchas investigaciones sobre la función del cerebro en los niños pequeños. Avances metodológicos en los sistemas de EEG permiten la aplicación de matrices de electrodos de alta densidad con 128 o más canales en cuestión de minutos. Facilidad de aplicación y la comodidad de uso son suficientes para permitir el registro EEG incluso en los niños más pequeños. Sin embargo, a menudo los investigadores no sólo están interesados en la dinámica temporal de las respuestas a estímulos particulares, pero también le gustaría comparar los sustratos neurales que median las respuestas.
Una suposición que prevalece en el análisis de ERP de nivel de canal comparando diferentes grupos de edad es que los mismos sustratos neurales responden, pero que el momento o la amplitud de la respuesta varía entre las edades de 9. Similar cuero cabelludo topografía se utiliza a menudo como un indicador de la actividad neuronal subyacente similar. Sin embargo, muchas diferentes configuraciones de origen pueden conducir a las topografías cuero cabelludo similares 10. Mediante la aplicación de la estimación de la fuente, esta UNCErtainty se puede reducir y cuantificados. La independencia de las observaciones es crítico para las cuentas de la red de la función cerebral: si se mezclan las fuentes, las correlaciones estarán sesgados hacia una mayor conectividad local. Fuente de reconstrucción se puede aplicar para reducir este sesgo 11. Alternativamente, las diferencias en tiempo y fase se pueden utilizar para el análisis de la conectividad, pero estos modelos matemáticos requieren supuestos que son difíciles de evaluar en datos no simulados 12. En resumen, la estimación de fuente proporciona información adicional a nivel de los canales EEG y análisis ERP basado en el conocimiento sobre la anatomía y propiedades biofísicas de los tejidos.
Diferentes algoritmos se han ideado para encontrar soluciones al problema inverso. Estos algoritmos se dividen en dos categorías: paramétricas y no paramétricas 13. Modelos paramétricos asumen una o múltiples dipolos que pueden variar en localización, orientación y fuerza. Por el contrario, no modelos paramétricos containa gran número de dipolos con la ubicación y orientación fija. En estos modelos, la actividad eléctrica del cuero cabelludo se explica como una combinación de activaciones en los dipolos fijos 10,13,14. No paramétrica, modelos de fuentes distribuidas se pueden basar en el conocimiento sobre la anatomía y la conductividad en diferentes medios de comunicación. Modelos de Elementos de Contorno incorporan valores de conductividad de los principales tejidos de la cabeza con diferentes conchas para el cerebro, el líquido cefalorraquídeo y el cráneo. Esto se basa en la suposición de que la conductividad es principalmente constante dentro de cada compartimento, pero que los cambios marcados se produce en el límite de los diferentes compartimentos. Modelos de elementos finitos se basan en una mayor segmentación de los exámenes de IRM en la materia gris y el blanco de manera que los valores de conductividad se pueden asignar a cada voxel 15.
En términos prácticos, los modelos no paramétricos son particularmente útiles para la reconstrucción de fuentes en las tareas cognitivas complejas, en las que el número de áreas involucradas puedenno ser conocido 10. Modelos de elementos de contorno son más utilizados en la literatura actual, probablemente porque los más precisos modelos de elementos finitos representan comparativamente altas demandas computacionales. Además, existe una considerable variabilidad individual entre en la materia gris y el blanco de manera que los FEM debe basarse en imágenes por resonancia magnética individuales.
Modelos no paramétricos requieren un segundo paso para hacer coincidir la actividad medida el cuero cabelludo hasta las predicciones del modelo a seguir. Una vez más, los diferentes enfoques con diferentes ventajas y desventajas se han discutido en la literatura (véase Michel et al. 2004 para una visión general). Los algoritmos más utilizados se basan en la estimación de norma mínima (MNE), que coincide con la actividad medida cuero cabelludo para una distribución de corriente en el modelo hacia adelante con la intensidad total más bajo 16. MNE está sesgada hacia las fuentes débiles y superficiales. Algoritmos EMN ponderados Profundidad tratan de reducir la desviación de superficies mediante la introducción de ponderaciónmatrices basadas en supuestos matemáticos 10. El enfoque LORETA ampliamente utilizado se basa también en ponderada EMN, pero, además, reduce al mínimo el laplaciano de fuentes, que conduce a soluciones más suaves 17,18. LORETA se ha encontrado que el mejor rendimiento para fuentes individuales en estudios de simulación 19,20. Sin embargo, LORETA puede conducir a un exceso de suavizado de soluciones. Profundidad ponderada EMN es preferible cuando las fuentes son desconocidos o múltiples fuentes son propensos a estar presente 13, 16. Se recomienda Comparando los resultados de diferentes algoritmos para evaluar la influencia de diferentes supuestos del modelo.
En resumen, la reconstrucción de fuentes a través de métodos de modelado se ha limitado a los niños hasta hace poco. Esto se debe a que la mayoría del software de análisis de EEG se basa en modelos de cabeza en base a la anatomía adulta que limita sustancialmente la precisión de las soluciones de código en los niños 2,8. El acceso barato a la potencia de cálculo y la prestación desoftware fácil de usar para la reconstrucción de la fuente que sea posible superar estas limitaciones. La aplicación de la estimación de origen a la EEG proporciona dos ventajas importantes sobre el análisis sobre la base de observaciones del nivel del canal solas: una mejor resolución y la independencia de las observaciones espaciales.
Fuente de estimación puede no ser informativo en algunos casos: se requiere una buena cobertura de la cabeza para distinguir fuentes. Los sistemas de alta densidad con 128 o más electrodos se recomiendan 10,15; una cobertura más escasa actuará como un filtro espacial que conduce a activación de la fuente propagación más amplia o resultados negativos falsos 10. Además, sólo se ha informado de reconstrucción fuente basado en el método descrito en este artículo para generadores corticales. Por lo tanto, es menos adecuado para probar hipótesis acerca de sustratos subcorticales o interacciones subcorticales corticales. Por último, el análisis de origen debe basarse en hipótesis previas detalladas sobre los sustratos corticales,teniendo la literatura existente de otras modalidades de imágenes en cuenta. Técnicas de filtrado espacial también se pueden utilizar para mejorar la resolución espacial de la señal de EEG mediante la reducción de la mezcla espacial en el nivel del cuero cabelludo. Se utilizan métodos alternativos para reducir la influencia de los efectos del volumen de la conducción sin modelado de la cabeza, por ejemplo, el filtrado de Laplaciano 21 o análisis de la densidad Fuente de corriente 22. Sin embargo, estos métodos no proporcionan más información acerca de los generadores neuronales como efectos volumen de la conducción son no sólo restringidos a los sensores en estrecha proximidad espacial 1.
En las siguientes secciones, el artículo describe cómo los experimentos para la investigación de la función cerebral y cognitivo en los niños de 2 años de edad están diseñados en el bebé Lab Londres. A continuación, se analiza la adquisición de datos de EEG con los sistemas de baja impedancia de alta densidad con niños. A continuación, se presenta EEG preprocesamiento y análisis sobre el nivel del canal. Ultimoly, el artículo se centra en el tratamiento de los datos de resonancia magnética estructural para la reconstrucción fuente cortical y el análisis de las señales de nivel de fuente.
El presente artículo describe el registro y análisis de alta densidad de EEG para la reconstrucción de los generadores corticales utilizando modelos de elementos de frontera por razones de edad plantillas MRI medios apropiados y profundidad ponderada estimación mínima norma en un paradigma ERP estándar adecuado para los niños. En este paradigma, se presentan imágenes de rostros y rostros revueltos. Diferentes autores utilizaron este paradigma para investigar el desarrollo de mecanismos de procesamiento de la car…
The authors have nothing to disclose.
Queremos agradecer al Prof. John Richards, de la Universidad de Carolina del Sur, por darnos acceso a la base de datos del desarrollo de resonancia magnética y útiles debates. También nos gustaría agradecer a nuestros patrocinadores la Caridad del Great Ormond Street Children, UCL Impacto y Grandes Desafíos.
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. |