JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
français

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Behavior

Une nouvelle approche expérimentale et analytique à l'multimodal Neural Décodage d'intention lors de l'interaction sociale dans Librement-comporter nourrissons humains

Published: October 04, 2015
doi:
10.3791/53406
, , , , ,
1Laboratory for Noninvasive Brain-Machine Interface Systems, Department of Electrical and Computer Engineering,University of Houston, 2Department of Biomedical Engineering,University of Houston, 3Department of Biology and Biochemistry,University of Houston

Summary

This protocol presents a novel methodology for the neural decoding of intent from freely-behaving infants during unscripted social interaction with an actor. Neural activity is acquired using non-invasive high-density active scalp electroencephalography (EEG). Kinematic data is collected with inertial measurement units and supplemented with synchronized video recording.

Abstract

Understanding typical and atypical development remains one of the fundamental questions in developmental human neuroscience. Traditionally, experimental paradigms and analysis tools have been limited to constrained laboratory tasks and contexts due to technical limitations imposed by the available set of measuring and analysis techniques and the age of the subjects. These limitations severely limit the study of developmental neural dynamics and associated neural networks engaged in cognition, perception and action in infants performing “in action and in context”. This protocol presents a novel approach to study infants and young children as they freely organize their own behavior, and its consequences in a complex, partly unpredictable and highly dynamic environment. The proposed methodology integrates synchronized high-density active scalp electroencephalography (EEG), inertial measurement units (IMUs), video recording and behavioral analysis to capture brain activity and movement non-invasively in freely-behaving infants. This setup allows for the study of neural network dynamics in the developing brain, in action and context, as these networks are recruited during goal-oriented, exploration and social interaction tasks.

Introduction

Une des capacités humaines fondamentales est la capacité d'apprendre et de déployer des actions (la production d'action) stratégique au service des objectifs et des récompenses, la capacité d'appréhender les objectifs des partenaires sociaux (compréhension de l'action), afin de produire des réponses sociales appropriées, et la capacité à apprendre des autres par l'observation et l'imitation 1. La base neurale de ces capacités cognitivo-moteur ont été attribués, au moins en partie, à la soi-disant système de neurones miroir; un système qui est pensé pour être activé quand on considère quelqu'un qui accomplit une action et quand on exécute l'action. Cependant, le lien potentiel entre le système des neurones miroirs et la compréhension de l'action ne sont pas encore bien compris 1. L'étude de l'émergence et le développement de ce système de neurones miroir chez les nourrissons humains a été entravée par un) les limites techniques d'acquisition de données multi-modale de l'activité cérébrale en corrélation avec l'intention et les données de mouvement fine, B) les contraintes imposées par les protocoles expérimentaux qui sont (par exemple, l'interaction sociale avec un agent représenté dans une cassette vidéo, la nécessité de maintenir une posture encore minimiser les artéfacts au cours électroencéphalographie (EEG) non naturels, etc.), et c) le les barrières de communication / de langue lors de l'essai jeunes nourrissons / bambins qui limitent grandement les capacités du chercheur de donner des instructions et valider les comportements.

Pour une meilleure compréhension de l'neurones différents et la dynamique de comportement dans le comportement naturel, nous avons développé une approche expérimentale et analytique roman qui permet l'étude de temps résolu des substrats neuronaux des comportements axés sur les objectifs et sociales émergentes chez les jeunes enfants. Plus précisément, nous avons déployé une imagerie cérébrale mobile basé EEG (Mobi) approche 2 pour enregistrer l'activité du cerveau et le mouvement des nourrissons librement se comporter lors de l'interaction avec un expérimentateur. Inertielles unités de mesure (IMU) ont été utilisés pour MónITOR cinématique sujet et expérimentateur'S.

La technologie EEG et des capteurs inertiels ont été utilisés pour étudier des modèles neuronaux et activations liés à l'action de l'imitation des nourrissons et des comportements orientés vers un but dans une interaction improvisée avec un expérimentateur / acteur. Des actions telles que REACH-portée, atteignent-offre, observent, repos, et d'explorer tout cela fait partie du processus cognitif-moteur impliqués dans l'imitation. En outre, nous utilisons l'estimation de la source pour localiser les générateurs de potentiels électriques dans le cerveau durant les tâches comportementales, étudier ainsi les dynamiques spatio-temporelles des courants neuronaux dans le cerveau. De même, nous déployons des machines algorithmes d'apprentissage pour évaluer et mesurer la prévisibilité de ces actions comportementales en identifiant les caractéristiques spatio-temporelles pertinentes pour l'action dans l'activité neuronale dans le capteur (EEG) et / ou les espaces sources. Intégrer ERD traditionnelle / ERS, la source et l'analyse de décodage fournir un développemen plus completDescription tal de la base neurale de ces comportements.

Cette configuration nous a permis d'exploiter les avantages de l'approche Mobi 2,3 et étudier les interactions sociales entre l'enfant et l'expérimentateur comme ils se produisent naturellement, sans restrictions.

Le protocole, à partir du moment le sujet arrive à la fois qu'il / elle le quitte, il faut environ 1 heure pour terminer. L'acquisition de temps d'installation et l'emplacement de l'électrode IMU / EEG varie de 15 – 25 min en fonction de facteurs tels que la longueur des cheveux et de la coopération du sujet. L'initialisation et la configuration de l'équipement ajoute à 10 min, et la session de test dure environ 15 min. Retrait de l'IMU et bouchon EEG, y compris le nettoyage de la tête du bébé à partir du gel hypoallergénique, prend 5-10 min.

Protocol

Le protocole suivant a été examiné et approuvé par l'Institutional Review Board de l'Université de Houston. Les parents ou tuteurs Tous les sujets de nourrissons de reçu, lu et signé un formulaire de consentement préalable à la participation. Les parents ont reçu un parking gratuit et une carte cadeau de 20 $ à titre de compensation pour leur participation à l'étude, tandis que les enfants ont choisi un jouet adapté à l'âge. Les sujets de nourrissons recrutés répondaient aux critères suivants: 1) âge entre 6 et 24 mois. 2) infantile était en bonne santé, connu une croissance et un développement normaux, et n'a pas eu des antécédents de problèmes, des commotions, des convulsions, des traits ou des troubles d'apprentissage natales. Voici quelques exemples de troubles du développement communs qui excluraient un nourrisson de tests sont un retard de croissance, la sous-alimentation, et l'utilisation d'alcool ou de drogues par la mère pendant la grossesse. Un organigramme simplifié pour l'enregistrement simultané de l'activité neuronale multimodale via EEG de surface etIMU chez les nourrissons se comporter librement est présenté dans la figure 1. 1. Consentement éclairé Montrer aux parents la chambre expérimentale et expliquer brièvement le but de l'expérience pour eux. 2. Préparation des EEG Remarque: Le système d'EEG utilisés (tableau 1) est constitué d'un système d'électrode active avec des électrodes amovibles. Niveaux d'impédance sont indiqués sur les électrodes à l'aide de voyants. Mesurer le périmètre crânien de l'enfant en cm. Placez un ruban à mesurer autour de la partie la plus large de la tête, passant sur les sourcils et autour de la proéminence occipitale à l'arrière de la tête. Remarque: La mesure de la circonférence de la tête est nécessaire pour la sélection d'un bouchon de taille appropriée EEG. Il ya des tailles spéciales pour la population infantile décrite dans le tableau 1. La place des électrodes sur un bouchon EEG de taille appropriée (tableau 1) comme spécifié par le10-20 système international. Le capuchon assure le placement correct des électrodes sur le cuir chevelu. Remarque: Il est préférable d'avoir le bouchon prêt au moment où l'enfant arrive à l'emplacement de l'étude. Informations sur la taille de la tête peut être obtenu auprès de ses parents avant l'heure, ou estimés à l'aide des tables disponibles en ligne [http://www.cdc.gov/growthcharts/html_charts/hcageinf.htm]. Si la mesure de la tête ne correspond pas à l'approximation du chercheur, une nouvelle PAC doit être préparé. Si plusieurs casquettes et électrodes sont disponibles, plusieurs bouchons peuvent être mis en place à l'avance pour réduire le temps de préparation. Expliquer la procédure de gélification à la société mère. Montrez-leur l'aiguille émoussée et la seringue utilisée pour appliquer le gel à chaque électrode et leur faire sentir l'aiguille sur leur peau. Utilisez une démo EEG électrode et le cuir chevelu bouchon pour aller sur la procédure de gélification. Mesurer la distance entre le nasion de l'inion sur le plan sagittal médian de la surface du cuir chevelu. Passez à l'adapter à la SCALp bouchon derrière l'enfant. Aligner l'électrode Cz avec le sommet de la tête. Passez à aligner et centrer les électrodes PF1 et PF2 sur le front à environ 10% de la distance entre le nasion et l'inion. Aligner le bouchon du cuir chevelu symétriquement le long du plan sagittal médian de la tête. Assurez-vous que les électrodes intermédiaires [AFZ, FZ FCZ, CZ, CPZ, Pz, POZ, Oz] sont alignés avec le nasion et inion. Lorsque vous avez terminé, fixer le capuchon par des sangles sous le menton. Remarque: Distraire l'enfant alors qu'il / elle est équipée du bouchon EEG. Un âge vidéo approprié est communément utilisé pour distraire les enfants pendant l'installation. Connecter les références, la terre, et les électrodes d'enregistrement à la boîte de commande. Tourner sur les indicateurs de l'impédance de la boîte de contrôle. En commençant par des électrodes de masse et de référence, en utilisant une petite seringue pour injecter le gel de l'électrolyte dans l'espace entre le cuir chevelu et l'électrode jusqu'à ce que l'impédance de chacune des mesures d'électrode en dessous de 60 kQ. Ceci est indicated par une lumière jaune ou vert sur les électrodes. Plus de détails sur la préparation de l'électrode EEG sont disponibles en 4. Remarque: Lors de la procédure de gélification, l'enfant pourrait déplacer son / sa tête pour diverses raisons (la curiosité, la peur, détourné l'attention). Il est donc recommandé que le second expérimentateur ou un parent continue à distraire l'enfant. Utilisez les seringues de derrière la tête de l'enfant pour éviter le risque de frapper le visage de l'enfant avec l'aiguille dû à un mouvement inattendu du sujet. Branchez les amplificateurs à l'ordinateur hôte via un port USB à l'aide d'une fibre optique au convertisseur USB. Remarque: La figure 2A montre l'enfant objet configuration avec le bouchon EEG et le placement IMU. Notez que les câbles d'électrode et le boîtier de commande sont maintenus en place, fournissant la mobilité sans charge sur le sujet. Figure 2B affiche une vue topographique des électrodes les endroits de la capitalisation EEG suivantes du système d'étiquetage 10-20. 3. Préparation IMU Ouvrez le logiciel IMU. Cliquez sur "Nouveau" sur l'interface graphique. Puis cliquez sur "Configurer" dans la boîte de dialogue pour configurer IMU. Réglez la fréquence d'échantillonnage à 128 Hz. Fixez le IMU sur la tête, la poitrine et les poignets gauche et droit de l'enfant. Remarque: Voir la figure 2A. En parallèle, ajuster les poignets de l'expérience avec IMU. Assurez-vous que IMU sont bien fixés au corps de minimiser les erreurs de mesure inertielle. L'aide de sangles, placer l'IMU de poignet sur la face dorsale des poignets. Placez l'IMU de la poitrine sur la face ventrale près du centre de la poitrine à l'aide d'un harnais. Fixez l'IMU de tête pour les mentonnières de la coiffe du cuir chevelu de sorte qu'il est près du côté gauche du menton. Placez le IMU alors qu'ils font face à l'extérieur, avec la lumière LED orientée vers le haut. Remarque: L'IMU pèsent chacun environ 22 g, et leur petite taille et son poids léger sont peu susceptibles d'entraver mOUVEMENT. Un expérimentateur supplémentaire peut être nécessaire pour distraire l'enfant pour les raisons décrites dans l'étape 2.8. 4. Capture vidéo et la synchronisation des données Streams Lieu caméra vidéo (18) de sorte que l'enfant (12), l'acteur (14), et la gâchette de LED (13) sont clairement visibles. Voir figure 4. Remarque: les enregistrements vidéo sont utilisés pour permettre visuel annotation et une segmentation des comportements provoqués par l'expérimentateur, ainsi que la confirmation du début et la fin de la session d'enregistrement. Connecter le boîtier de déclenchement d'entrée / sortie (7) de l'EEG (5) et IMU (4). Voir Figure 3. Note: Une enceinte entrée personnalisé / sortie (7), illustré à la figure 3, a été conçu pour aligner tous les flux enregistrés de données (EEG, IMU, et de la vidéo) et donc utiliser des marqueurs d'événements à partir d'un enregistrement (comme la vidéo) ou à faciliter l'analyse d'un autre enregistrement (tels que les EEG ou l'accélération). Ceci est accompli en utilisant unseul bouton poussoir momentané qui, lorsqu'il est enfoncé, enverra un actif bas (+ V pour Ground) impulsion de déclenchement d'EEG (via un port parallèle DB-25), IMU (via un mini-DIN-6 connecteur) et vidéo (par éclairer une diode électroluminescente (DEL) positionnées en vue de la caméra vidéo) Enregistrements simultanément. Une puce inverseur 7404 logique IC a été utilisé pour transformer l'Etat-bas (terre) à un état haut (+ V) impulsions, offrant le potentiel de tension nécessaire pour alimenter la LED. Avoir un expérimentateur à proximité du bouton-poussoir de déclenchement et l'ordinateur de collecte de données. L'expérimentateur est en charge de l'exploitation sur la gâchette, le suivi de la qualité des données tout au long de l'expérience, et la sauvegarde des données. 5. Préparation de l'environnement de test Voir figure 4. 6. Collecte de données Enregistrer les valeurs d'impédance initiale des électrodes EEG à l'aide du logiciel de commande en sélectionnant le "ImpédanceConsultez "onglet, en cliquant sur le bouton radio" impédance "(attendre environ 5 secondes pour les valeurs d'impédance de l'électrode de stabiliser), et en cliquant sur le bouton" "Enregistrer de impédance de radio pour enregistrer impédances. Voir la Figure 5. Pas de filtres sont appliqués lors de la collecte de données EEG. Dans le programme de l'enregistreur de EEG, cliquez sur "Moniteur" puis "Play" pour commencer recodage données EEG. Voir Figure 6. Dans le logiciel IMU, cliquez sur "Stream" puis "Enregistrer" dans la boîte de dialogue pour démarrer l'enregistrement de données IMU. Voir Figure 7. Appliquer trois déclencheurs (III) pour signaler le début de l'expérience à l'aide du bouton-poussoir sur le boîtier d'entrée / sortie (7). Laisser reposer infantile pour 1 min pendant l'enregistrement. Elle fournit des données de base initiales. Faire un essai et laissez le sujet infantile prendre des pauses au besoin. Chaque essai expérimental consiste en une prise de tour tâche où les spectacles de l'acteurune action à l'enfant en utilisant un objet (généralement, mais pas toujours, un jouet), il passe à l'enfant dans un effort pour initier une réponse de l'imitation, et enfin récupère l'objet de retour de l'enfant. Note: Cet échange est généralement répété pour 4-5 procès ou jusqu'à ce que l'enfant ne manifeste plus d'intérêt dans l'objet. Compte tenu de l'environnement de la session, d'annoter tous les horaires de chaque comportement après la collecte de données à l'aide de l'enregistrement vidéo. Enregistrer les valeurs finales d'impédance des électrodes EEG. Voir l'étape 6.1. Numériser les coordonnées spatiales 3D des électrodes EEG utilisant l'électrode EEG scanner 3D et logiciel et le logiciel correspondant. Démarrez le logiciel de numérisation 3D. Allez dans "Fichier" et sélectionner "nouvel espace de travail". Chargez le fichier de position de l'électrode dans le premier onglet de l'espace de travail et de fournir les informations nécessaires dans l'onglet de stockage. Dans la barre d'outils de numérisation, cliquez sur "start numérisation ". Utilisez le scanner 3D, à environ 30 cm de la tête de l'enfant, pour balayer les emplacements des électrodes en suivant les motifs de lumière changeantes sur le bouchon. Une fois la numérisation terminée, le logiciel enregistre automatiquement les résultats. Remarque: A l'arrière de la tête, les câbles peuvent bloquer les voyants sur les électrodes en raison de la petite taille de la tête de l'enfant. Le logiciel permet à l'utilisateur de supprimer des électrodes de la numérisation sans compromettre les résultats. Retirez les électrodes occipitales de l'analyse si nécessaire. 7. segmentation comportementale Inspecter l'enregistrement vidéo de la séance de l'expérience et marquer le moment où le déclencheur clignote (ie, quand l'expérience commence et se termine), et lorsque l'un des comportements mentionnés précédemment à l'étape 6.6 début et de fin. 8. Imaging Source Remarque: imagerie Source peut identifier avec précision les générateurs dePotentiels de l'EEG dans le cerveau et il se compose généralement de résoudre le avant et le problème inverse 5. Acquérir haute résolution T1 pondérée image par résonance magnétique (IRM) des données à partir des bases de données du domaine public tels que la base de données du développement neurologique IRM qui contient des modèles d'IRM moyenne en fonction de l'âge (en mois) pour les deux premières années de vie 6,7. Remarque: Cette étude utilise des modèles de tête vers l'avant seulement adaptés à l'âge des enfants et donc des informations sur le sexe ne sont pas prises en compte lors de la sélection du modèle IRM). Acquérir volumes source pour les modèles d'éléments de frontière (BEM) qui comprennent des compartiments tête (ie, la matière grise, matière blanche, le cuir chevelu, crâne interne ou externe) que les volumes IRM de la base de données du développement neurologique IRM 8. Pré-processus volume de BEM IRM pour obtenir un modèle réaliste de tête par extraction de la surface du cerveau et de la tête compartiments Curry 7, ou package similaire de logiciels d'imagerie cérébrale. Importez le T1 IRM pondérée. Identifier manuellement les trois points de référence tels que les points droite / gauche pré-auriculaires et nasion dans le logiciel d'imagerie du cerveau, ou d'un emballage similaire. Co-inscrivez-EEG et IRM espace pour obtenir la transformation géométrique rigide entre l'espace de l'IRM et de l'espace de l'objet en ajustant les points de référence indiqués sur l'IRM et les repères obtenus avec scanner 3D dans les étapes 6.9-6.11 en utilisant le logiciel d'imagerie cérébrale ou de l'emballage similaire. Résoudre le modèle vers l'avant. Remarque: Le problème de l'avant implique la définition d'un modèle de tête qui représente la géométrie de la tête et des propriétés de conductivité électrique de 9,10 volume de la tête. Résoudre le problème inverse Remarque: Le problème inverse tente de déduire un emplacement, de la force et une évolution dans le temps d'une source dans le cerveau à partir des signaux d'EEG du cuir chevelu à l'aide de techniques de traitement du signal 11. Segment continuDonnées EEG dans les essais autour de la tâche apparition (par exemple., L'imitation, segments d'observation) avec des segments apparition pré- et post-tâche de longueur de 2 sec. Identifier les canaux avec impédance élevée comme de «mauvaises» et d'autres canaux essais artefacts dans chaque procès. Pré-traiter les données EEG de rejet d'artefact en utilisant l'ICA et de reconstruire les mauvais canaux avec la moyenne des chaînes gratuites de artefact voisin. 12,13,14. Utilisez le modèle de l'avant comme une entrée à un algorithme d'optimisation automatisé qui recherche sur le cerveau entier pour identifier les meilleurs emplacements possibles de la source. Analyser visuellement les sources estimées et ramasser les solutions qui correspondent le plus à vos attentes basées sur une connaissance préalable de la nature de l'expérience et de les interpréter avec précaution. Remarque: Cette étape est la plus polarisée en une raison de la nature du mal posé le problème inverse, à savoir, les différentes configurations de sources peuvent se traduire par les mêmes potentiels de surface. Donc, Il peut être utile d'effectuer une vérification de cohérence pour vérifier qu'un modèle de tête donné et méthode inverse fonctionne bien. Effectuez une vérification de santé, la localisation d'un dipôle simulée connue. À savoir, pour le modèle de tête endroit donné un dipôle avec une configuration connue, et de résoudre le problème avant pour obtenir des tensions simulées pour ce dipôle. Résoudre le problème inverse avec ces tensions sur le même modèle de la tête, pour vous assurer qu'il renvoie les dipôles simulées. Remarque: Ces contrôles de validité doivent retourner les dipôles initialement placés à un degré élevé de précision.

Representative Results

La figure 8 montre d'EEG de l'échantillon et de données d'accélération de l'IMU pour un laps de temps de 16 sec enregistrée au cours de l'interaction entre l'objet et l'expérimentateur. Données EEG a été ré-échantillonné à 100 Hz puis passe-bande filtré [1-40 Hz] en utilisant une 3ème ordre, filtre de Butterworth phase zéro. Chaînes avec des valeurs de haute impédance (Z> 60 kQ), et des canaux périphériques, ont été jetés 12,15. L'IMU enregistré neuf signaux à 128 Hz: flux magnétique, vitesse angulaire et l'accélération linéaire dans les trois axes cartésiens. Ici, nous montrons l'amplitude de la (GC) accélération de la pesanteur à compensation. L'effet de l'accélération due à la gravité a été compensée par l'application d'un filtre de Kalman pour prédire l'orientation IMU dans un cadre mondial 16. Les données ont été segmentées par inspection visuelle des enregistrements vidéo (étape 7.1). Lignes continues verticales indiquent le début d'un comportement d'intérêt, comme des lignes verticales en pointillés représentent la fin de l'événement. <pclass = "jove_content"> Influence des artefacts de mouvement est présent dans les données EEG montre la figure 8 autour de 709s. L'approche sans contrainte à la collecte de données dans ce protocole expérimental rend les données EEG sensibles à clignements d'yeux, les mouvements des yeux, du mouvement et des artefacts électromyographique. Les données ont été prétraité en utilisant un 3 ème ordre zéro phase Butterworth filtre passe-bande pour le contraindre à le delta-bande (1-4Hz), et normalisée en soustrayant la moyenne et en divisant par l'écart-type. Artefacts de grande amplitude ont été retirés automatiquement à l'aide de la méthode 17 Artefact subspatial Removal (ASR). En outre, les canaux périphériques sont exclues de l'analyse des données dans le but de réduire au minimum la contamination de l'artefact myoélectrique. Frontalis et contractions de muscle temporal fusionnent avec signal EEG le plus en évidence dans des lieux périphériques: Frontalis contraction montre dans des endroits antérieures, et la contraction temporal montre en frontal latéral et temporendroits al 15. Pour inspecter la nature des données recueillies avec ce protocole, des histogrammes de données EEG ont été représentés graphiquement sur ​​la figure 9. Sur la figure 9A, on décrit la distribution de données du signal normalisé à partir de trois électrodes dans l'espace de représentation. Les données EEG montre une distribution multimodale des comportements analysés. Sur la figure 9B les valeurs de kurtosis sont présentés sous forme de graphiques à barres pour faciliter l'inspection visuelle des données. La classification a été effectuée par l'extraction des décalages temporels de chaque canal EEG, la réduction de dimensionnalité, tout en préservant la dispersion locale de chaque classe (analyse discriminante de Fisher local (LFDA)) 18, et de la formation / l'essai d'un modèle de l'ensemble réduit de fonctionnalités (Mélange gaussienne Modèles (MGM)) 19. Échantillons de formation / d'essai ont été prélevés au hasard sur 20 itérations (ie, de validation croisée) pour empêcher toute voer-fitting.Training/testing~~V taille de l'échantillon varie donné le nombre de canaux rejetés (c.-à-impédance supérieure à 60 kHz), la longueur de la session d'expérience, et le nombre d'essais et les comportements exprimé. Cependant, le nombre de formation et les tests des échantillons utilisés pour chaque classe (comportement) correspondent à 50% de la classe la moins peuplée. A titre d'exemple, la taille du jeu d'essai de chaque classe est N = 1.069 échantillons pour les données de nourrissons présentés dans la figure 10. Tous les pré-traitement et de classification des mesures ont été calculés dans l'environnement de programmation MATLAB. La figure 11 représente l'ensemble de la procédure d'estimation EEG source effectuées dans cette étude d'une manière pas-à-pas. Plus de détails sur chaque étape sont également résumées dans la section 8. Figure 12 montre les résultats d'événement lié à (de) la synchronisation (ERD / ERS) dans le rythme mu (5-9 Hz) et les sources dipolaires au cours de la "Reach-OFFRE1; entrée. ERS et la DRE a été calculée comme le pourcentage d'une diminution ou une augmentation en une puissance de bande de fréquence qui se produit pendant l'événement (atteindre et offre tâche) intervalle par rapport à l'intervalle de référence (un segment prise avant l'événement). Cette figure montre également l'accélération de magnitude gravité compensée obtenu au cours de la tâche des deux poignets de l'enfant et de l'acteur. Pour une analyse de dipôle les signaux EEG ont été décomposés en utilisant une analyse en composantes indépendantes (ICA) pour éliminer le bruit de fond. L'estimation de la source a été réalisée en rythme mu après ICA prétraitement via un algorithme MUSIC fixe 5. Comme prévu, les sources ont été localisées sur la zone motrice primaire à droite tandis que le sujet a été utilise sa main gauche pour saisir l'objet. Nom du produit Compagnie Quantité BrainAmp Amplificateur Produits du cerveau, Gmbh 2 <tr> actiCAP EEG Cap 64 électrodes * Produits du cerveau, Gmbh 10 Control Box actiCAP Produits du cerveau, Gmbh 1 Logiciel cerveau Vision Recorder Produits du cerveau, Gmbh 1 logiciel Control Box actiCAP Produits du cerveau, Gmbh 1 CapTrak Produits du cerveau, Gmbh 1 Logiciel CapTrak Produits du cerveau, Gmbh 1 Moniteur de mouvement d'Opale APDM, Inc 6 Station d'accueil Opale APDM, Inc 6 Point d'accès sans fil d'Opale APDM, Inc 1 Logiciel Motion Studio APDM, Inc 1 Boîte de Trigger Coutume 1 Caméra vidéo HC-W850M, Panasonic Co. 1 * Les bouchons EEG viennent dans les tailles de la circonférence de la tête pour les enfants suivants: 42, 44, 46, 48, 50 cm. Pour ce protocole, un stock de 2 capsules de chaque taille est recommandée. Tableau 1 Équipement. Figure 1. diagrammes de flux. Schéma (A) Débit de la configuration du test. (B) Organigramme de la séance de collecte de données. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 2. Sous réserve sise et prêt pour la collecte de données. (A) de la vue frontale du sujet portant le bouchon EEG, et quatre IMU. (B) de la représentation topographique de la 64 canaux bouchon EEG utilisant le système de positionnement d'électrode standard 10-20. S'il vous plaît cliquer ici pour voir une plus grande version de ce chiffre. Figure 3. Les données des équipements de collecte et de la salle d'examen. (A) l'installation d'équipement de collecte de données: la boîte de commande EEG (1), EEG bouchon (2), la gâchette (3), récepteur de données IMU sans fil (4), amplificateurs EEG (5), coffre à jouets (6), déclencheur à bouton-poussoir (7), les ordinateurs portables d'acquisition de données (8), la station IMU d'accueil (9). (B) Close-up de l'EEG bouchon, électrodes actives et la boîte de commande. (C) Close-up d'Imus et le récepteur sans fil, Trigge r bouton-poussoir, amplificateurs EEG, et les ordinateurs portables de collecte de données. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 4. Représentation schématique du cadre expérimental. De support de boîte de contrôle EEG (10). Tuteur de sujet est assis sur une chaise (11), expérimentateur assis sur une chaise (14) et la personne qui surveille les données se trouve sur la chaise (17). Le reste du dispositif expérimental est présenté:. Interaction table (12), la gâchette (13), coffre à jouets (15), table d'acquisition de données (16), le placement de la caméra vidéo (18) S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. "Src =" / files / ftp_upload / 53406 / 53406fig5.jpg "/> Figure 5. Capture d'écran du logiciel de contrôle EEG. Les flèches indiquent icônes clés dans le logiciel décrit dans l'étape 6.1 et 6.8. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. Figure 6. Capture d'écran de logiciel d'enregistrement EEG. Les flèches indiquent des icônes de clé dans le logiciel décrit dans l'étape 6.2 et 6.3. Une section des données brutes en direct streaming est montré. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. pg "/> Figure 7. Capture d'écran du logiciel de IMU. Les cases rouges mettent en évidence les principales icônes dans le logiciel décrit dans l'étape 6.4. (A) principale fenêtre de commande. (B) de la fenêtre de configuration. Fenêtre (C) d'enregistrement. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure. Figure 8. de données échantillon d'une session expérimentale représentant. Données (A) de l'EEG et d'accélération sont présentés, à la fois passe-bande filtré [1-40Hz]. Électrodes EEG à faible impédance (Z <60 kQ) tout au long de la session sont affichées. Lignes verticales pleines indiquent le comportement apparition (B) Still frame représentations de l'enfant engagé dans les comportements analysés:. Observez, Reach-portée, Reach-offre, Imitate, Explore, Rest. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure. Figure 9. Exemples d'histogrammes de amplitude EEG pour six comportements identifiés. A) Les données indiquées correspondent aux données brutes de trois électrodes (CP2, FC5, POZ) enregistrées dans une session avec un nourrisson âgé de 20 mois. Les histogrammes sont redimensionnées pour le plus grand nombre d'occurrences et l'aplatissement de chaque histogramme est affiché sur la droite de chaque parcelle. Remarquez la distribution multimodale pour la plupart des comportements. B) L'aplatissement des données d'échantillon pour chaque comportement. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure. <p class="jove_content" fo:keep-together.within-pâge = "always"> Figure 10. EEG prédit actions comportementales chez les nourrissons se comporter librement 12. Une matrice de confusion de l'échantillon pour la précision de la classification pour un nourrisson de 20 mois est représentée. La précision globale de décodage est affichée dans le coin inférieur droit. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure. Figure 11. Source localisation. Étapes requises pour une localisation de la source infantile dipôle utilisant une IRM anatomique et des données EEG fonctionnels. S'il vous plaît cliquer ici pour voir une version plus grande de cette figureure. Figure 12. Reach-offre le profil de l'analyse des tâches. A) Instantanés d'un nourrisson effectuer le "Reach-offre" tâche. B) moyenne globale Puissance Field of EEG dans Mu bande (5-9 Hz), les trajectoires de déplacement des membres du nourrisson et l'acteur; le grand événement lié spectrale moyenne de perturbation de tous les canaux. C) des sources dipolaires localisée pour deux événements de "apparition Mouvement» et «Mouvement d'achèvement». S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.

Discussion

Le protocole décrit présente une méthodologie pour collecter des données à partir de nourrissons librement se comportant alors qu'ils sont en interaction avec un expérimentateur en temps réel. Elle utilise la technologie d'imagerie cérébrale mobiles (cuir chevelu EEG) pour capturer l'activité neuronale tout en enregistrant simultanément des données cinématiques avec IMU dans des endroits stratégiques du corps. La session d'essai est également enregistrée par une caméra vidéo. Les trois systèmes d'enregistrement de données sont synchronisés au moyen d'un système de déclenchement de mesure.

L'EEG et système IMU sont attachés à l'objet comme il / elle se déplace librement au cours de la session d'expérience. Les IMU doivent être attaché solidement à être en mesure de capturer avec précision la cinématique. Pour assurer une mobilité sans contrainte complète du sujet, l'équipement doit être le moins intrusif que possible; ainsi l'utilisation du support pour soutenir les câbles d'électrode de l'EEG et la boîte de commande EEG. L'expérimentateur interagit ensuite avec le nourrisson pendant environ 15 minutes. L'INFAnt suscitera un répertoire de comportements dépendant de l'âge lors de l'interaction. Ceux-ci incluent le repos, atteindre-portée, atteindre-offre, explorer, observer et imiter. Cependant, certains enfants ne seront pas disposés à coopérer à la session en raison de la fatigue, le manque de confort, ou le stress. Assurez-vous de planifier l'expérience lorsque l'enfant est plus dynamique et actif pour prévenir l'apparition de réponses négatives de lui / elle.

La nature de l'expérience présente des risques pour la qualité des données enregistrées tout au long de la session. Par conséquent, il est essentiel de tester toutes les connexions et la qualité des données avant de commencer la session d'enregistrement, et de les surveiller en permanence au cours de la session. Si le système EEG de données ne sont pas enregistre des données de qualité, arrêter le logiciel et débranchez toutes les connexions. Avant de redémarrer le logiciel ou de raccorder l'équipement à l'ordinateur portable, retirez toutes les sources possibles de bruit (à savoir, alimentations électriques) de la proximité du matériel d'enregistrement. L'EEG matériel comprend des amplificateurs de signaux qui peuvent ramasser bruit dans l'environnement si elles sont placées à proximité des sources de bruit électrique. Pour le récepteur IMU, assurez-vous qu'il n'y a pas d'ingérence dans la ligne de visée entre le récepteur et l'expérience et infantile.

Ce montage expérimental fournit des données de résolution temporelle élevée de neurones en mesurant l'activité électrique à la surface du cuir chevelu. Des études récentes ont démontré la faisabilité de l'utilisation de ces signaux, avec la cinématique du corps entier, pour identifier les informations classifié pour mouvements expressifs 20, et les mouvements fonctionnels 21,22, ce qui suggère que cette approche proposée de la collecte des données pourrait mener à une meilleure compréhension de la neuronal base de l'imitation chez les nourrissons.

Les contributions récentes mettant en vedette algorithmes d'apprentissage machine performantes appliquées à la dynamique du cerveau 13,20,21 construisent un ensemble d'outils de plus en plus d'étudier les potentiels de surface dans soi plus naturelraccords. Cette configuration proposée fournit un éventail de possibilités pour les questions de recherche à traiter 2,22. En particulier, il peut être appliqué à la recherche axée sur a) la compréhension de la base neurale du développement cognitif-moteur des nourrissons basé sur une large population de sujets; b) comprendre les bases neurales de l'intention du bébé dans «l'action et le contexte», qui devrait être un facteur prédictif de l'action comportementale entrant; c) quantifier les modèles neuronaux communs et uniques pour caractériser l'individualité et de la variabilité dans le cerveau en développement; et d) l'étude de l'émergence de processus d'imitation et d'apprentissage. Ces objectifs impliquent le déploiement d'algorithmes d'apprentissage machine qui peut traiter des données statistiquement riches à la fois des potentiels de cerveau origine informatifs et de mouvement ou musculaires artefacts 12,20,23.

Cette étude tente d'estimer les sources corticales et des potentiels de champ électrique en utilisant les données EEG infantiles. En raison deles difficultés techniques telles que le manque de connaissance des valeurs et de l'épaisseur de la matière corticale tête conductivité infantile, la modélisation précise du modèle de la tête est une tâche difficile. D'autres études sont nécessaires pour les estimations de la conductivité des tissus régionaux non invasives chez les nourrissons 24. Corticale segmentation de surface des données d'IRM bébé présente un défi supplémentaire en raison de la faible contraste trouvé dans des images du cerveau humain en développement 25. Les recherches futures est nécessaire pour répondre à ces difficultés et d'estimer divers corrélats neurophysiologiques de développement de l'enfant et le comportement.

Enfin, le protocole expérimental et les méthodes proposées pourraient être déployés dans l'étude de ceux ayant une déficience intellectuelle tels que les nourrissons atteints de troubles du spectre de l'autisme probable (TSA). Dans une telle application, il serait souhaitable d'inclure un groupe de contrôle et les évaluations de développement appropriés pour caractériser les deux groupes (contrôle et TSA). Pour examenple, un groupe d'étude pourrait consister en tout-risque élevé (ASD) frères et sœurs d'enfants évaluées selon le schéma de diagnostic observation de l'autisme 26, la sévérité des symptômes 27 et les balances Mullen de l'apprentissage précoce des 28 pour caractériser la capacité cognitive générale. Si possible, l'IRM de diffusion pondérée serait également hautement souhaitable 29.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Ce travail a été soutenu par Eunice Kennedy Shriver National Institutes of Health des enfants et du développement humain (NICHD) Award # P01 de HD064653-01. Le contenu est de la seule responsabilité des auteurs et ne représentent pas nécessairement les vues officielles de l'NICHD ou de la National Institutes of Health.

Materials

BrainAmp Amplifier Brain Products, Gmbh
actiCAP EEG cap- 64 electrodes* Brain Products, Gmbh
actiCAP Control Box Brain Products, Gmbh
Brain Vision Recorder software v1.20.0601 Brain Products, Gmbh
actiCAP Control Box software v1.2.5.2 Brain Products, Gmbh
CapTrak Brain Products, Gmbh
CapTrak software v1.0.0 Brain Products, Gmbh
Opal movement monitor APDM, Inc
Opal docking station APDM, Inc
Opal wireless access point APDM, Inc
Motion Studio software v1.0.0.201503302222 APDM, Inc
Trigger box Custom
Video camera HC-W850M, Panasonic Co.
*The EEG caps come in the following head circumference sizes for infants: 42, 44, 46, 48, 50cm. For this protocol, a stock of 2 caps of each size is recommended. 
DOWNLOAD MATERIALS LIST

References

  1. Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
  2. Makeig, S., Gramann, K., Jung, T. -. P., Sejnowski, T. J., Poizner, H. Linking brain, mind and behavior. Int J Psychophysiol. 73 (2), 95-100 (2009).
  3. Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
  4. GmbH Brain Products. . actiCAP Operating Instructions. , (2013).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
  6. Sanchez, C. E., Richards, J. E., Almli, C. R. Neurodevelopmental MRI brain templates for children from 2 weeks to 4 years of age. Dev Psychobiol. 54 (1), 77-91 (2012).
  7. Richards, J. E. Neurodevelopmental MRI Database. , (2010).
  8. Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
  9. Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
  10. Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
  11. Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
  12. Hernandez, Z. R., Cruz-Garza, J., Tse, T., Contreras-Vidal, J. L.Decoding of intentional actions from scalp electroencephalography (EEG) in freely-behaving infants. Conf Proc IEEE Eng Med Biol Soc. , 2115-2118 (2014).
  13. Bulea, T. C., Prasad, S., Kilicarslan, A., Contreras-Vidal, J. L. Sitting and Standing Intention Can be Decoded from Scalp EEG Recorded Prior to Movement Execution. Front Hum Neurosci. , 8 (2014).
  14. Cuevas, K., Cannon, E. N., Yoo, K., Fox, N. A. The infant EEG mu rhythm: methodological considerations and best practices. Developmental Review. 34 (1), 26-43 (2014).
  15. Goncharova, I. I., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. EMG contamination of EEG: spectral and topographical characteristics. Clin. Neurophysiol. 114 (9), 1580-1593 (2003).
  16. Marins, J. L., Yun, X., Bachmann, E. R., McGhee, R. B., Zyda, M. J. An extended Kalman filter for quaternion-based orientation estimation using MARG sensors. Proc. IEEE/RSJ Int. Conf. Intelligent Robots and Systems. 4, 2003-2011 (2001).
  17. Mullen, T., et al. Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. Conf Proc IEEE Eng Med Biol Soc. , 2184-2197 (2013).
  18. Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
  19. Li, W., Prasad, S., Fowler, J. E., Bruce, L. M. Locality-preserving dimensionality reduction and classification for hyperspectral image analysis. IEEE Trans. Geosci. Remote Sensing. 50, 1185-1198 (2012).
  20. Cruz-Garza, J. G., Hernandez, Z. R., Nepaul, S., Bradley, K. K., Contreras-Vidal, J. L. Neural decoding of expressive human movement from scalp electroencephalography (EEG). Front Hum Neurosci. 8 (188), (2014).
  21. Kilicarslan, A., Prasad, S., Grossman, R. G., Contreras-Vidal, J. L. High accuracy decoding of user intentions using EEG to control a lower-body exoskeleton. Conf Proc IEEE Eng Med Biol Soc. , 5606-5609 (1109).
  22. Gramann, K., Jung, T. -. P., Ferris, D. P., Lin, C. -. T., Makeig, S. Toward a new cognitive neuroscience: modeling natural brain dynamics. Front Hum Neurosci. 8 (444), (2014).
  23. Bulea, T. C., Kilicarslan, A., Ozdemir, R., Paloski, W. H., Contreras-Vidal, J. L. Simultaneous scalp electroencephalography (EEG), electromyography (EMG), and whole-body segmental inertial recording for multi-modal neural decoding. J Vis Exp. 26 (77), (2013).
  24. Odabaee, M., et al. Neonatal EEG at scalp is focal and implies high skull conductivity in realistic neonatal head models. NeuroImage. 96, 73-80 (2014).
  25. Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
  26. Lord, C., Rutter, M., DiLavore, P. C., Risi, S. . Autism Diagnostic Observation Schedule. , (2000).
  27. Gotham, K., Pickles, A., Lord, C. Standardizing ADO S scores for a measure of severity in autism spectrum disorders. J Autism Dev Disord. 39, 693-705 (2009).
  28. Mullen, E. M. . Mullen Scales of Early Learning. , (1995).
  29. Wolff, J. J., Gu, H., Gerig, G., et al. IBIS Network. Differences in white matter fiber tract development present from 6 to 24 months in infants with autism. Am J Psychiatry. 169 (6), 589-600 (2012).

Tags

Neural DecodingSocial InteractionInfant DevelopmentMultimodal NeuroimagingEEGIMUFreely-behavingGoal-oriented BehaviorExplorationCognitionPerceptionAction

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Cruz-Garza, J. G., Hernandez, Z. R., Tse, T., Caducoy, E., Abibullaev, B., Contreras-Vidal, J. L. A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants. J. Vis. Exp. (104), e53406, doi:10.3791/53406 (2015).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image