Un nuovo approccio sperimentale e analitico al multimodale neurale decodifica di intenti durante l'interazione sociale in Liberamente-comportarsi neonati umani
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
Una delle capacità umane fondamentali è la capacità di imparare e implementare azioni (produzione azione) strategicamente al servizio di obiettivi e ricompense, la capacità di comprendere gli obiettivi delle parti sociali (comprensione delle azioni) al fine di produrre adeguate risposte sociali, e la capacità di imparare dagli altri attraverso l'osservazione e l'imitazione 1. La base neurale di queste capacità cognitive-motori sono stati attribuiti, almeno in parte, al cosiddetto sistema specchio; un sistema che è pensato per essere impiegata durante uno vede qualcuno eseguire un'azione e quando si esegue l'azione. Tuttavia, il potenziale legame tra il sistema dei neuroni specchio e la comprensione di azione non è ancora ben compreso 1. Studiare la nascita e lo sviluppo di questo sistema dei neuroni specchio nei neonati umani è stato ostacolato da a) le limitazioni tecniche di acquisizione dei dati multi-modale di attività cerebrale correlate a dolo e dati di movimento a grana fine, B) i vincoli imposti dai protocolli sperimentali che sono (ad esempio, l'interazione sociale con un agente raffigurato in una videocassetta, la necessità di mantenere una postura ancora per ridurre al minimo gli artefatti durante elettroencefalografico (EEG) registrazioni innaturali, ecc), e c) le barriere di comunicazione / lingua quando si verifica bambini piccoli / bambini piccoli che limitano notevolmente le capacità del ricercatore di dare istruzioni e convalidare comportamenti.
Per una migliore comprensione del neurale varia e dinamiche comportamentali di comportamento naturale, abbiamo sviluppato un approccio sperimentale e analitico romanzo che permette lo studio risolta nel tempo dei substrati neurali del comportamento goal-oriented e sociali emergenti nei bambini piccoli. In particolare, abbiamo implementato un EEG basato brain imaging mobili (MoBI) Approccio 2 per registrare l'attività cerebrale e il movimento di bambini, liberamente si comportano durante l'interazione con uno sperimentatore. Unità di misura inerziale (Imus) sono stati usati per monitor cinematica soggetti e sperimentatore di.
La tecnologia EEG e sensori inerziali sono stati utilizzati per studiare gli schemi neurali e attivazioni associate imitazione azione dei neonati e dei comportamenti goal-oriented in una interazione senza copione con uno sperimentatore / attore. Azioni come portata da afferrare, raggiungono-offerta, osservano, riposo, ed esplorare sono tutti parte dei processi cognitivo-motorie coinvolte nella imitazione. Inoltre, usiamo stima fonte di localizzare i generatori di potenziali elettrici nel cervello durante l'attività comportamentali, studiando così le dinamiche spazio-temporali delle correnti neuronali in tutto il cervello. Allo stesso modo abbiamo distribuire macchina algoritmi di apprendimento per valutare e misurare la prevedibilità di queste azioni comportamentali identificando modelli spazio-temporali di azione rilevante l'attività neurale in sensore (EEG) e / o gli spazi di origine. Integrare tradizionale ERD / ERS, fonte e l'analisi di decodifica fornire una più completa SVILUPPOTal descrizione della base neurale di tali comportamenti.
Questa messa a punto ha permesso di sfruttare i vantaggi dell'approccio MoBI 2,3 e studiamo le interazioni sociali tra il bambino e lo sperimentatore in quanto naturalmente avvengono senza restrizioni.
Il protocollo, dal momento in cui il soggetto arriva il momento lui / lei lascia, richiede circa 1 ora per completare. L'IMU / EEG tempi di configurazione e posizione degli elettrodi acquisizione varia 15-25 minuti a seconda di fattori quali la lunghezza dei capelli e la cooperazione del soggetto. L'inizializzazione e la configurazione dell'apparecchiatura aggiunge fino a 10 min, e la sessione di test dura circa 15 min. La rimozione del Imus e tappo EEG, compresa la pulizia della testa del bambino dal gel ipoallergenico, prende 5-10 min.
Protocol
Representative Results
Discussion
Il protocollo descritto presenta una metodologia per raccogliere i dati da neonati liberamente si comportano mentre stanno interagendo con uno sperimentatore in tempo reale. Impiega la tecnologia di imaging cerebrale mobili (cuoio capelluto EEG) per acquisire l'attività neurale e contemporaneamente la registrazione dei dati cinematici con Imus in punti strategici del corpo. La sessione esperimento viene registrata anche da una videocamera. I tre sistemi di registrazione dati sono sincronizzati con un sistema di trigger personalizzato.
L'EEG e il sistema IMU sono legati al soggetto come lui / lei si muove liberamente durante la sessione di esperimento. I Imus devono essere legato saldamente poter catturare cinematica accuratamente. Per garantire la piena mobilità senza vincoli del soggetto, l'apparecchio deve essere come minimo intrusiva possibile; così l'uso del supporto per sostenere i cavi elettrodi del EEG e la scatola di controllo EEG. Lo sperimentatore poi interagisce con il bambino per circa 15 minuti. La INFAnt genererà un repertorio età-dipendente dei comportamenti durante l'interazione. Questi includono il riposo, raggiungere afferrare, raggiungere-offerta, esplorare, osservare e imitare. Tuttavia, alcuni bambini saranno disposti a collaborare nella sessione a causa della stanchezza, mancanza di comfort, o stress. Assicurati di pianificare l'esperimento quando il bambino è più dinamica e attiva per evitare il verificarsi di reazioni negative da lui / lei.
La natura dell'esperimento presenta rischi per la qualità dei dati registrati durante la sessione. Pertanto, è fondamentale per testare tutti i collegamenti ed i dati di qualità prima di iniziare la sessione di registrazione, e di monitorare loro continuamente durante la sessione. Se il sistema EEG dati non registra i dati di qualità, fermare il software e scollegare tutte le connessioni. Prima di riavviare il software o collegare il prodotto di nuovo al computer portatile, rimuovere tutte le possibili fonti di rumore (cioè, alimentatori), dalla vicinanza del hardware di registrazione. L'EEG hardware comprende amplificatori di segnale in grado di raccogliere il rumore ambientale se collocato in prossimità di fonti di rumore elettrico. Per il ricevitore IMU, assicurarsi che non vi siano interferenze nella linea di vista tra il ricevitore e l'esperimento e infantile.
Questa configurazione sperimentale fornisce dati ad alta risoluzione neurali temporali misurando l'attività elettrica sulla superficie del cuoio capelluto. Recenti studi hanno dimostrato che è possibile utilizzare questi segnali, insieme con cinematica corpo intero, per identificare le informazioni classificabile per movimenti espressivi 20, e movimenti funzionali 21,22, suggerendo che questo approccio raccolta dati proposta potrebbe portare ad una migliore comprensione della neurale base di imitazione nei bambini.
Contributi recenti, caratterizzate da potenti algoritmi di apprendimento automatico applicate alle dinamiche cerebrali 13,20,21 stanno costruendo un toolkit crescente per studiare le potenzialità di superficie in sé più naturaleraccordi. Questa configurazione proposta prevede uno spettro di possibilità di domande di ricerca da affrontare 2,22. In particolare, può essere applicato alle ricerche incentrato sulla a) comprendere le basi neurali di sviluppo cognitivo-motorio dei bambini sulla base di una vasta popolazione di soggetti; b) comprendere le basi neurali di intenti del bambino in 'azione e contesto', che dovrebbe essere predittiva del comportamento dell'azione in arrivo; c) la quantificazione schemi neurali comuni ed uniche per caratterizzare l'individualità e la variabilità nel cervello in via di sviluppo; e d) studiando l'emergere di processi di imitazione e di apprendimento. Questi obiettivi comportano l'impiego di algoritmi di apprendimento automatico che possono trattare i dati statisticamente ricchi sia in potenziali cerebrali originati informativi e movimenti muscolari o artefatti 12,20,23.
Questo studio cerca di valutare le fonti corticali e potenziali di campo elettrico utilizzando i dati EEG infantili. A causa dile difficoltà tecniche, come la mancanza di conoscenza dei valori di conducibilità testa infantili e lo spessore della materia corticale, la modellazione accurata del modello di testa è un compito difficile. Ulteriori studi sono necessari per non invasive stime regionali di conducibilità dei tessuti nei bambini 24. La segmentazione superficie corticale dei dati MRI infantile rappresenta una sfida maggiore a causa del scarso contrasto trovato nelle immagini del cervello umano in via di sviluppo 25. La ricerca futura è necessaria per affrontare queste difficoltà e stimare vari correlati neurofisiologici di sviluppo e del comportamento infantile.
Infine, il protocollo e le modalità di sperimentazione proposti potrebbero essere utilizzate per lo studio delle persone con disabilità dello sviluppo, come neonati con probabile disturbo dello spettro autistico (ASD). In tale applicazione, sarebbe opportuno includere un gruppo di controllo e valutazione dello sviluppo atti a caratterizzare i due gruppi (controllo e ASD). Per l'esamepio, un gruppo di studio potrebbe consistere di tutti ad alto rischio (per ASD) fratelli infantile valutato con l'Autism Diagnostic Observation Schedule 26, la gravità dei sintomi 27 e le Scale Mullen di Early Learning 28 per caratterizzare capacità cognitiva generale. Se disponibili, diffusion-weighted MRI sarebbe anche auspicabile 29.
Disclosures
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato sostenuto da Eunice Kennedy Shriver National Institutes of Child Health & Human Development (NICHD) Premio # P01 HD064653-01. Il contenuto è di esclusiva responsabilità degli autori e non rappresentano necessariamente il punto di vista ufficiale della NICHD o 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. | |||||
References
- Woodward, A. L., Gerson, S. A. Mirroring and the development of action understanding. Phil. Trans. R. Soc. B. 369 (1644), (2014).
- 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).
- Gramann, K., et al. Cognition in action: imaging brain/body dynamics in mobile humans. Rev. Neurosci. 22 (6), 593-608 (2011).
- GmbH Brain Products. . actiCAP Operating Instructions. , (2013).
- Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (25), (2008).
- 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).
- Richards, J. E. Neurodevelopmental MRI Database. , (2010).
- Fuchs, M., Wagner, M., Kastner, J. Boundary element method volume conductor models for EEG source reconstruction. Clin. Neurophysiol. 112, 1400-1407 (2001).
- Song, J., et al. Anatomically Accurate Infant Head Models for EEG Source Localization. J Phys Conf Ser. 434 (1), (2013).
- Roche‐Labarbe, N., et al. High‐resolution electroencephalography and source localization in neonates. Hum Brain Mapp. 29 (2), 167-176 (2008).
- Michel, C. M., et al. EEG source imaging. Clin Neurophysiol. 115 (10), 2195-2222 (2004).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Sugiyama, M. Dimensionality reduction of multimodal labeled data by local fisher discriminant analysis. J. Mach. Learn. Res. 8, 1027-1061 (2007).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Knickmeyer, R. C., et al. A structural MRI study of human brain development from birth to 2 years. J Neurosci. 28, 12176-12182 (2008).
- Lord, C., Rutter, M., DiLavore, P. C., Risi, S. . Autism Diagnostic Observation Schedule. , (2000).
- 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).
- Mullen, E. M. . Mullen Scales of Early Learning. , (1995).
- 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).
